BAB 4
IMPLEMENTASI DAN EVALUASI
Di dalam bab ini disajikan hasil dari perancangan program aplikasi yang telah dirancang pada bab sebelumnya. Pada bab ini juga ditampilkan hasil percobaan dengan menggunakan data-data yang dijadikan sample.
4.1 Spesifikasi Sistem
Sistem-sistem pendukung yang dibutuhkan untuk menjalankan aplikasi yang telah dibuat ini terbagi menjadi dua kelompok besar, yaitu kelompok perangkat keras dan kelompok perangkat lunak. Kedua kelompok tersebut akan dijabarkan di bawah ini.
4.1.1 Spesifikasi Perangkat Keras
Spesifikasi perangkat keras minimum yang diperlukan untuk menjalankan program aplikasi ini tidak jauh berbeda dengan software aplikasi yang biasa digunakan oleh user pada jaman sekarang. Untuk kebutuhan interaktif dengan user, maka dibutuhkan perangkat-perangkat keras seperti Mouse, Keyboard, dan Monitor SVGA. Namun untuk kebutuhkan pemrosesan data yang lebih cepat, terutama untuk proses training data yang dapat memakan waktu cukup lama, dibutuhkan prosesor berkecepatan tinggi yang memiliki kapasitas memori cukup besar seperti Pentium IV 1000 MHz.
4.1.2 Spesifikasi Perangkat Lunak
Selain spesifikasi perangkat keras, juga dibutuhkan perangkat lunak tertentu agar user dapat menjalankan program aplikasi ini. Hal ini terutama disebabkan karena program aplikasi dibuat dalam high level language yang diharapkan dapat lebih interaktif dan user friendly. Spesifikasi perangkat lunak minimum yang dibutuhkan antara lain adalah Operating System mulai dari Windows XP ke atas, kemudian Microsoft .Net Framework minimal versi 2.0 karena program aplikasi dibuat berbasiskan .Net Framework, dan tentu saja aplikasi ImageRecognition itu sendiri.
4.2 Mekanisme Kerja Sistem 4.2.1 About
Pada saat ImageRecognition.exe dijalankan, maka akan tampil Form About seperti tampak pada gambar 4.1. Modul ini berfungsi untuk menampilkan keterangan singkat dari aplikasi seperti judul, mahasiswa yang membuat, dosen pembimbing, dan sebagainya.
4.2.2 Perhitungan Parameter Fourier Descriptors
Tahap awal berfungsi untuk menghitung parameter Fourier Descriptors yang akan digunakan sebagai input bagi Neural Network. Proses pencarian parameter Fourier Descriptors akan dilakukan setelah user menekan button “ParameterFD”.
Gambar 4.2 Pencarian parameter Fourier Descriptors
Pada tahap ini, dihasilkan parameter Fourier Descriptors yang kemudian akan digunakan sebagai input-an training bagi Neural Network. Waktu yang dibutuhkan dalam proses perhitungan parameter Fourier Descriptors ini adalah 4 menit.
4.2.3 Setting Neural Network
Selanjutnya user dapat men-setting Neural Network Back Propagation dengan memilih tab Setting serta mengisi parameter-parameter yang dibutuhkan. Untuk selanjutnya, aplikasi secara otomatis akan mengambil ketentuan yang telah ada sebelumnya dan user dapat melakukan perubahan terhadap ketentuan-ketentuan tersebut. Dalam hal ini penulis menggunakan tiga layer, yaitu :
• Input layer = 56 • Hidden layer = 10 • Output layer = 7
Network yang dibangun disimpan dalam file ‘train.net’.
Gambar 4.3 Setting Neural Network
Setelah melalui proses training sebanyak 50000 epochs selama lebih kurang 30 menit, find galat-nya mencapai 1,076 dan setelah itu tidak banyak mengalami perubahan, maka proses training dihentikan. Selanjutnya ‘train.net’ telah siap untuk diuji coba apakah dapat mengenali baik citra yang sudah di-training maupun citra yang belum di-training.
4.2.4 Pengenalan Citra
Dengan menekan tab View, maka akan tampil Form seperti tampak pada gambar 4.4. Modul ini berfungsi untuk menampilkan image yang akan diuji pada PictureBoxImage dan hasil pengenalan citra pada bagian Result.
Gambar 4.4 Modul Form View 4.2.5 Proses Pengujian
Proses pengujian atau dapat juga disebut sebagai proses penentuan pengenalan citra. Tahap ini bertujuan untuk mengolah keluaran dari JST atau mengenali pola-pola yang dihasilkan oleh modul pengujian untuk menghasilkan pola gambar, dengan mengacu pada hasil belajar yang dilakukan pada saat proses training. Untuk mulai menguji, user dapat menekan button “Browse” yang aktif segera setelah parameter Fourier Descriptors didapatkan. Kemudian akan muncul Open Dialog Box dan user diminta untuk memasukkan citra yang akan diuji seperti tampak pada gambar 4.5.
Gambar 4.5 Form Open pada Tahap Pengujian
Setelah dipilih button “Open” maka file citra akan tampil pada PictureBoxImage. Selanjutnya user dapat memilih untuk melakukan training network sesuai parameter pada tab Setting dengan memilih button “Train Network” atau menggunakan network yang telah disimpan sebelumnya memilih button “Load Network”. Setelah proses training atau loading network berhasil, maka button “Recognize” akan aktif dan siap untuk memroses citra yang ingin diuji. Hasil pengenalan citra akan ditampilkan pada bagian Result beserta persentase kemiripannya.
Citra-citra baru yang belum ditraining dan digunakan untuk pengujian program aplikasi ImageRecognition ini adalah sebagai berikut.
Gambar 4.7 Citra baru yang digunakan untuk pengujian
Proses pengujian terhadap citra-citra lainnya, baik yang sudah pernah di-training maupun yang belum di-training, dilakukan dengan mengikuti langkah-langkah seperti yang sudah dijelaskan pada bagian Proses Pengujian.
4.3 Hasil Penelitian
Proses training berlangsung selama lebih kurang 30 menit dengan tingkat galat mencapai 1.076 dalam 50000 epoch. Jaringan dengan hasil training ini disimpan dengan nama ‘train.net’. Kemudian dilakukan pengujian.
4.3.1 Pengujian Terhadap Citra yang Telah Di-training
Setelah proses training data atas 56 citra berhasil dilakukan, kemudian ke-56 citra tadi diujicobakan lagi pada software aplikasi ImageRecognition melalui mekanisme kerja sistem seperti yang telah dijelaskan pada subbab sebelumnya untuk mengetahui apakah program dapat berfungsi sesuai tujuan dan berapa tingkat keakuratannya.
Tabel 4.1 Tabel Hasil Pengenalan Terhadap Citra yang Telah Di-training Citra Dikenal Sebagai
01hati.bmp hati 02hati.bmp hati 03hati.bmp hati 04hati.bmp hati 05hati.bmp hati 06hati.bmp hati 07hati.bmp hati 08hati.bmp hati 01kodok.bmp kodok 02kodok.bmp kodok 03kodok.bmp kodok 04kodok.bmp kodok 05kodok.bmp kodok 06kodok.bmp kodok
07kodok.bmp stroberi 08kodok.bmp kodok 01lumba-lumba.bmp lumba-lumba 02lumba-lumba.bmp lumba-lumba 03lumba-lumba.bmp lumba-lumba 04lumba-lumba.bmp lumba-lumba 05lumba-lumba.bmp lumba-lumba 06lumba-lumba.bmp lumba-lumba 07lumba-lumba.bmp lumba-lumba 08lumba-lumba.bmp lumba-lumba 01panda.bmp panda 02panda.bmp panda 03panda.bmp panda 04panda.bmp panda 05panda.bmp panda 06panda.bmp panda 07panda.bmp panda 08panda.bmp panda 01paus.bmp paus 02paus.bmp paus 03paus.bmp paus 04paus.bmp paus 05paus.bmp paus 06paus.bmp stroberi 07paus.bmp paus 08paus.bmp paus 01semangka.bmp semangka 02semangka.bmp semangka 03semangka.bmp semangka 04semangka.bmp semangka 05semangka.bmp semangka 06semangka.bmp semangka
07semangka.bmp semangka 08semangka.bmp semangka 01stroberi.bmp stroberi 02stroberi.bmp stroberi 03stroberi.bmp stroberi 04stroberi.bmp stroberi 05stroberi.bmp stroberi 06stroberi.bmp stroberi 07stroberi.bmp stroberi 08stroberi.bmp stroberi
Dari tabel di atas, dapat dilihat bahwa keakuratan dalam pengenalan citra wajah untuk citra yang sudah pernah di-training adalah sebesar 96,43 %. Dari 56 citra yang diuji, ada 2 citra yang salah kenal.
4.3.2 Pengujian Terhadap Citra yang Belum Di-training
Selain melakukan uji coba pada citra-citra yang telah di-training, dilakukan juga pengujian terhadap 14 citra baru yang belum di-training melalui mekanisme kerja sistem yang sama seperti yang telah dijelaskan pada subbab sebelumnya untuk mengetahui seberapa efektifnya software aplikasi ImageRecognition ini dalam mengenali citra terutama untuk citra baru yang belum pernah di-training.
Tabel 4.2 Tabel Hasil Pengenalan Terhadap Citra yang Belum Di-training Citra Dikenal Sebagai
01uji_hati.bmp Hati 02uji_hati.bmp Hati 03uji_kodok.bmp Stroberi 04uji_kodok.bmp Kodok
05uji_lumba.bmp Stroberi 06uji_lumba.bmp Lumba-lumba 07uji_panda.bmp Panda 08uji_panda.bmp Paus 09uji_semangka.bmp Semangka 10uji_semangka.bmp Semangka 11uji_stroberi.bmp Stroberi 12uji_stroberi.bmp Stroberi 13uji_paus.bmp Paus 14uji_paus.bmp Stroberi
Dari tabel di atas, dapat dilihat bahwa keakuratan dalam pengenalan citra wajah untuk citra yang belum pernah di-training adalah sebesar 71,43 %. Dari 14 citra yang diuji, ada 4 citra yang salah kenal.
Persentase total keakuratan untuk semua citra adalah :
% pengenalan citra = diuji yang citra jumlah dikenali berhasil yang citra jumlah × 100 %
maka akan didapat persentase pengenalan citra sebagai berikut :
% pengenalan citra = 70
4.3.3 Perbandingan Keakuratan Tingkat Pengenalan Terhadap Jumlah Citra yang Di-training
Untuk mendapat perbandingan mengenai tingkat keakuratan pengenalan citra, maka penulis melakukan pengujian kedua dengan jumlah citra di-training sebanyak 70 citra. Setelah proses training data atas 70 citra berhasil dilakukan, kemudian ke-70 citra tersebut diujicobakan pada software aplikasi ImageRecognition melalui mekanisme kerja sistem seperti yang telah dijelaskan pada subbab sebelumnya untuk mengetahui perbandingan tingkat keakuratannya.
Tabel 4.3 Tabel Hasil Pengenalan Terhadap Citra yang Telah Di-training dengan jumlah training data sebanyak 70 citra
Citra Dikenal Sebagai 01hati.bmp hati 02hati.bmp hati 03hati.bmp hati 04hati.bmp hati 05hati.bmp hati 06hati.bmp hati 07hati.bmp hati 08hati.bmp hati 01kodok.bmp kodok 02kodok.bmp kodok 03kodok.bmp kodok 04kodok.bmp kodok 05kodok.bmp kodok 06kodok.bmp kodok 07kodok.bmp stroberi 08kodok.bmp kodok
01lumba-lumba.bmp lumba-lumba 02lumba-lumba.bmp lumba-lumba 03lumba-lumba.bmp lumba-lumba 04lumba-lumba.bmp lumba-lumba 05lumba-lumba.bmp lumba-lumba 06lumba-lumba.bmp lumba-lumba 07lumba-lumba.bmp lumba-lumba 08lumba-lumba.bmp lumba-lumba 01panda.bmp panda 02panda.bmp panda 03panda.bmp panda 04panda.bmp panda 05panda.bmp panda 06panda.bmp panda 07panda.bmp panda 08panda.bmp panda 01paus.bmp paus 02paus.bmp paus 03paus.bmp paus 04paus.bmp paus 05paus.bmp paus 06paus.bmp paus 07paus.bmp paus 08paus.bmp paus 01semangka.bmp semangka 02semangka.bmp semangka 03semangka.bmp semangka 04semangka.bmp semangka 05semangka.bmp semangka 06semangka.bmp semangka 07semangka.bmp semangka 08semangka.bmp semangka
01stroberi.bmp stroberi 02stroberi.bmp stroberi 03stroberi.bmp stroberi 04stroberi.bmp stroberi 05stroberi.bmp stroberi 06stroberi.bmp stroberi 07stroberi.bmp stroberi 08stroberi.bmp stroberi
Dari tabel di atas, dapat dilihat bahwa keakuratan dalam pengenalan citra wajah dalam pengujian kedua adalah sebesar 98,57 %. Dari 70 citra yang diuji, hanya 1 citra yang salah kenal. Hal ini membuktikan bahwa semakin banyak citra yang di-training per objek, maka akan semakin akurat tingkat pengenalannya. Dalam penelitian ini, sepuluh citra per objek (pengujian kedua) akan menghasilkan tingkat pengenalan yang lebih akurat dibandingkan dengan delapan citra per objek (pengujian pertama).
4.3.4 Perbandingan Efisiensi Waktu Terhadap Jumlah Citra yang Di-training Proses training pada pengujian kedua dengan jumlah citra di-training sebanyak 70 citra berlangsung selama lebih kurang 47 menit dengan tingkat galat mencapai 1.063 dalam 50000 epoch.
Hal ini membuktikan bahwa semakin sedikit citra yang di-training, maka akan semakin efisien waktu yang digunakan dalam proses training tersebut. Begitu pula sebaliknya, semakin banyak citra yang di-training, maka akan semakin banyak waktu yang digunakan untuk melakukan proses training. Dengan kata lain, proses training 56
citra (pada pengujian pertama) akan memakan waktu lebih cepat dari pada proses training 70 citra (pada pengujian kedua) untuk keseluruhan citra.
