Gambar IV-1 Diagram pembangunan perangkat lunak

Bab IV

Pembangunan Perangkat Lunak

IV.1. Lingkup Masalah Perangkat lunak dibangun dengan dua tahapan. Kedua tahapan dari perangkat lunak tersebut merupakan perangkat lunak yang berdiri sendiri. Perangkat lunak terapan akan dibangun berdasarkan informasi yang didapat dalam perangkat lunak analisis. Langkah pembangunan perangkat lunak diberikan pada Gambar IV-1. Hanya perangkat lunak terapan yang akan diberikan pada konsumen. 1. Perangkat lunak Analisis. Fungsi perangkat lunak ini adalah untuk menemukan parameter citra daun teh hitam yang memiliki korelasi tinggi terhadap parameter kualitas daun teh hitam. 2. Perangkat lunak Terapan. Bagian ini merupakan perangkat lunak utuh yang mengambil parameter yang telah ditemukan oleh bagian analisis untuk menentukan kualitas teh hitam.

Analisis Kebutuhan Perangkat Lunak

Perancangan Perangkat Lunak

Pembangunan Bagian Analisis

Pengujian Bagian Analisis

Data Latih

Penuruan Parameter Ideal

Data Latih

Data Uji

Pengujian Bagian Terapan

Pelepasan Perangkat Lunak

Data Uji

Gambar IV-1 Diagram pembangunan perangkat lunak

48

Pembangunan Bagian Terapan berdasarkan Parameter Ideal

Penambahan tahapan pembangunan perangkat lunak analisis dimaksudkan untuk memastikan performa hasil akhir sistem yang diserahkan kepada konsumen dapat bekerja optimal, karena sistem berkerja dengan tulang punggung jaringan syaraf tiruan.

Bagian analisis menangani kebutuhan sebagai berikut. 1. Ekstraksi informasi dari citra teh hitam a. Parameter Ukur. Parameter yang diekstraksi merupakan semua parameter ukur yang dapat ditemukan. b. Parameter Kualitas. Parameter kualitas berasal dari informasi kualitas yang telah diberikan pada sampel. 2. Analisis korelasi antara parameter ukur dan parameter kualitas. 3. Pelatihan sistem pakar berdasarkan parameter masukan dan sampel yang ditentukan. Sistem pakar dibangun dengan penggerak utama berupa jaringan syaraf tiruan propagasi balik. 4. Pengukuran kecepatan pelatihan dan akurasi sistem pakar berdasarkan beberapa kasus masukan.

Bagian terapan menangani kebutuhan sebagai berikut. 1. Ekstraksi informasi parameter ukur dari citra teh hitam. Parameter ukur yang diekstraksi merupakan parameter yang telah ditentukan berdasarkan pengukuran pada bagian analisis. 2. Pelatihan jaringan syaraf tiruan berdasarkan sampel yang telah ditentukan.21 3. Pengambilan keputusan kelas kualitas berdasarkan parameter masukan.

21

Dapat tidak diterapkan. Sistem dapat dibangun dengan mengambil masukan dari perangkat lunak analisis.

49

IV.2. Kebutuhan Perangkat Lunak IV.2.1. Deskripsi Umum Sistem Aplikasi yang dibangun merupakan aplikasi mandiri; ia tidak bergantung pada aplikasi lain. Operasi dari perangkat lunak bergantung sepenuhnya dari masukan yang diberikan oleh konsumen.

Secara umum bagian analisis bekerja dengan mengolah data masukan dari pengguna berupa sampel teh hitam dan kelas mutu yang ditentukan, seperti pada Gambar IV-2 dan Gambar IV-3.

Batas Iterasi Latih Data Latih Indeks Parameter Latih

Pengguna

Citra Teh Hitam

Bagian Analisis

Data Uji

Nilai Treshold Data Beban Batas Akurasi Latih

Nilai Korelasi

Laporan Pelatihan

Gambar IV-2 Perangkat lunak analisis

Sistem pada bagian tahap analisis dilengkapi dengan kemampuan untuk menerima jenis parameter ukur yang dipakai; sistem ini akan mengekstraksi semua parameter ukur yang dapat diambil pada objek di dalam citra. Sistem juga dapat menerima masukan dari pengguna tentang parameter apa yang akan digunakan oleh pengguna dalam melakukan pelatihan jaringan syaraf tiruan.

50

Data Latih Batas Iterasi Latih

Pengguna

Citra Teh Hitam

Bagian Terapan

Data Uji

Batas Akurasi Latih Data Beban Kelas Mutu Teh

Gambar IV-3 Perangkat lunak Terapan

Bagian terapan merupakan bentuk akhir sistem yang akan diserahkan pada konsumen. Sistem ini hanya akan mengekstraksi parameter ukur yang optimal terhadap jenis sampel objek dan kelas parameter mutu yang digunakan, sehingga masukan pilihan parameter tidak diperlukan. Ukuran data yang diekstraksi dan disimpan akan jauh lebih kecil dibandingkan pada bagian analisis.

IV.2.2. Fitur Utama Perangkat Lunak IV.2.2.1.

Kebutuhan Fungsional

Kebutuhan fungsional yang akan ditangani oleh sistem adalah seperti pada Tabel IV-1 dan Tabel IV-2.

Tabel IV-1

Bagian Analisis

Nom

Fungsi Bagian

or

Analisis

A1

Ekstraksi Data

Kebutuhan Fungsi

Sistem mampu mengambil citra teh Sistem dapat menerima masukan jenis kelas dan besar nilai kelas mutu teh Sistem menerima masukan besar nilai treshold Sistem mampu melakukan tresholding pada citra Sistem mampu mengekstraksi data setiap butiran teh pada citra Sistem mampu menyimpan data butiran teh Sistem mampu mengambil data butiran teh

A2

Analisis Korelasi

Sistem mampu melakukan analisis korelasi antara setiap parameter ukur dan setiap jenis parameter mutu Sistem mampu menyimpan data korelasi parameter ukur dan parameter mutu teh hitam

A3

Pelatihan Sistem Pakar

Sistem mampu mengambil data latih Sistem mampu mengambil data uji Sistem mampu mengambil data beban Sistem mampu menerima rangkaian pilihan parameter yang digunakan dan memodifikasi

51

Nom

Fungsi Bagian

or

Analisis

Kebutuhan Fungsi

sistem sesuai kebutuhan Sistem mampu melakukan pelatihan sistem berdasarkan data latih yang dibuat Sistem mampu mengambil keputusan berdasarkan data uji Sistem mampu memberikan informasi laju pelatihan dan akurasi pelatihan Sistem mampu memberikan nilai akurasi berdasarkan data uji Sistem mampu menyimpan data beban

Kebutuhan yang dijabarkan pada Tabel IV-2 dibentuk agar pengguna dapat mengetahui performa sistem terhadap pilihan parameter yang digunakan, dan informasi berkaitan dengan korelasi antara parameter masukan dan parameter keluaran yang dipilih.

Tabel IV-2

Bagian Terapan

Nom

Fungsi Bagian

or

Terapan

T1

Ekstraksi Data

Kebutuhan Fungsi

Sistem mampu mengambil citra teh Sistem dapat menerima masukan jenis kelas dan besar nilai kelas mutu teh (untuk keperluan pembuatan data latih) Sistem mampu melakukan tresholding pada citra Sistem mampu mengekstraksi data setiap butiran teh pada citra Sistem mampu menyimpan data butiran teh Sistem mampu mengambil data butiran teh

T2

Pelatihan Sistem Pakar

Sistem mampu mengambil data latih Sistem mampu mengambil data uji Sistem mampu mengambil data beban Sistem mampu melakukan pelatihan sistem berdasarkan data latih yang dibuat Sistem mampu mengambil keputusan berdasarkan data uji Sistem mampu memberikan informasi laju pelatihan dan akurasi pelatihan Sistem mampu memberikan nilai akurasi berdasarkan data uji Sistem mampu menyimpan data beban

T3

Penerapan Sistem Pakar

Sistem mampu mengambil keputusan kelas mutu teh sesuai citra yang dimasukkan dan data beban yang telah dibuat

Kebutuhan fungsional bagian terapan dibentuk dengan tujuan untuk keringkasan pemakaian sistem. Pada model ini, performa akurasi sistem dan kecepatan sistem telah dijamin dengan penggunaan parameter yang optimal.

52

IV.2.2.2.

Kebutuhan non Fungsional

Kebutuhan non fungsional yang adalah optimasi kecepatan dan pemakaian data sistem. Tujuan utama pembuatan bagian analisis adalah untuk mencapai optimasi pemakaian waktu.

IV.2.3. Model Fungsional Dalam pengembangan sistem, bentuk arsitektur sistem yang digunakan adalah arsitektur terkendali peristiwa (event driven architecture). Bagian utama pembentuk peristiwa adalah bagian antar muka sistem. Antar muka sistem yang memberikan pesan kepada setiap komponen sistem untuk dapat melaksanakan tugasnya masing – masing, seperti pada Gambar IV-4. Kegiatan pada setiap komponen sistem membentuk suatu rangkaian kerja seperti pada Gambar IV-5.

Antar Muka Sistem Ekstraksi Data

Analisis Korelasi

Jaringan Syaraf Tiruan

Treshold

Pelatihan Sistem

Interpretasi Parameter

Penerapan Sistem

Gambar IV-4 Arsitektur fungsional sistem

53

Antar Muka

Treshold

Input untuk pelatihan jaringan syaraf tiruan: - Data Objek

Interpretasi Peta Treshold

Analisis Korelasi

Input untuk ektraksi data: - Citra teh hitam - kelas mutu

Ekstraksi Data

Proses Sistem Keseluruhan

Penyimpanan Data


Analisis Korelasi

Pelatihan jaringan syaraf tiruan

Data Objek: File

Data Korelasi: File

Penerapan Jaringan Syaraf Tiruan

Data Beban: File

Gambar IV-5 Diagram proses keseluruhan

Sistem menerima masukan yang berbeda untuk proses ekstraksi data dan pelatihan jaringan syaraf tiruan. Berdasarkan nilai threshold yang diberikan, objek dibedakan dengan latar citra dengan metode threshold. Proses threshold akan menghasilkan citra biner, dan interpretasi peta treshold dilakukan untuk mengekstraksi objek citra. Data objek yang telah diekstraksi disimpan ke dalam sebuah basis data. Berdasarkan data yang telah dihimpun, tingkat korelasi antara parameter target objek (misal, kelas mutu) dengan parameter mutu objek dikalkulasi.

54

Dengan format data objek yang sama dan pilihan parameter ukur dan target yang telah diketahui, dibentuk sebuah rangkaian data latih. Data latih tersebut dipakai untuk pelatihan jaringan syaraf tiruan, dan data beban yang dibentuk disimpan. Data beban tersebut akan dipakai ketika penerapan tahapan jaringan syaraf tiruan.

Proses Ekstraksi Data Parameter dilakukan sebagai berikut. 1. Masukan gambar, nilai threshold, target kelas, dan nilai target kelas 2. Pemisahan antara titik yang merupakan bagian dari objek dengan latar berdasarkan nilai threshold, hasil berupa citra biner, seperti pada Gambar IV-6. a. Nilai di dalam nilai threshold adalah titik latar b. Nilai di luar titik threshold adalah titik objek c. Nilai di luar titik threshold yang berbatasan dengan titik latar adalah titik tepi objek 3. Interpretasi peta threshold dilakukan seperti pada Gambar IV-7. a. Menemukan titik bagian citra threshold yang merupakan objek. b. Mengumpulkan semua titik di sekitar titik yang ditemukan yang merupakan bagian dari objek. Setiap titik tetangga dari titik yang telah ditemukan dan merupakan titik objek dikumpulkan membentuk suatu rangkaian titik. c. Menginterpretasi parameter objek berdasarkan rangkaian titik. Memasukkan parameter target ke dalam objek. d. Menambahkan objek ke dalam basis data. Basis data merupakan rangkaian objek. e. Mencari dan menemukan objek lain dalam citra.

55

Penyimpanan Data

Treshold

Peta Treshold: Citra biner

Antar Muka

Ekstraksi Data

hasil

Untuk Setiap titik dalam citra

Warna titik di dalam batas nilai treshold

Titik tidak berbatasan titik latar tidak

ya

ya

Status latar

Status titik tepi

Status titik objek

Input untuk treshold: - treshold values

Gambar IV-6 Diagram proses treshold

Proses threshold dilakukan pada citra dengan cara memeriksa setiap piksel dalam citra tersebut; suatu titik yang berada di dalam batas nilai threshold merupakan titik latar, dan titik selain titik tersebut merupakan titik objek.

Proses ekstraksi objek dilakukan dengan cara menemukan terlebih dahulu titik di dalam citra yang merupakan titik objek, dan memeriksa semua titik di dekat titik – titik yang telah ditemukan, apakah ia termasuk ke dalam titik objek. Rangkaian titik yang terbentuk dimasukkan ke dalam basis data, dan sistem kembali menelusuri citra untuk menemukan objek lainnya.

56

Antar Muka


Input untuk ekstraksi data: - peta treshold - peta periksa

Pencarian Titik Objek

Untuk setiap titik dalam citra

Interpretasi parameter titik

Untuk setiap parameter titik yang digunakan

Kalkulasi parameter titik

Data titik diketahui

Temukan titik objek

Untuk setiap titik di sekitar titik yang telah ditemukan

Bentuk rangkaian titik

Titik objek

tidak

Ekstraksi Data

ya

Hasil berupa rangkaian titik

Tambahkan ke rangkaian titik

Abaikan

Interpretasi Parameter objek

Untuk setiap parameter objek yang digunakan

Kalkulasi parameter objek

Hasil

Penyimpanan Data

Tambahkan ke basis data

Penyimpan an Data: Data objek

Gambar IV-7 Diagram proses interpretasi peta treshold

Proses Analisis Korelasi Parameter dilakukan seperti pada Gambar IV-8. 1. Berdasarkan basis data objek, dilakukan perhitungan antara parameter ukur untuk setiap objek dengan parameter target. a. Perhitungan

korelasi

dilakukan

untuk

setiap

pasangan

parameter ukur dan parameter target. b. Dilakukan perhitungan pengambilan kesimpulan yang lain seperti nilai minimum dan nilai maksimum. 2. Perhitungan analisis korelasi dilakukan setiap kali terjadi perubahan terhadap basis data.

57

Trigger

Analisis Korelasi

[Fungsi pemanggil]

Analisis Korelasi Parameter

Input Data

Analisis Korelasi

Untuk setiap pasang parameter ukur dan parameter target

Perhitungan nilai korelasi dan perhitungan lainnya

Penyimpanan Data

Hasil

Penyimpan an Data: Data Korelasi

Gambar IV-8 Diagram proses analisis korelasi parameter

Analisa korelasi parameter dimulai dari adanya pesan dari sistem bahwa analisa korelasi parameter dapat dilakukan. Masukan yang diperlukan adalah masukan data objek yang telah dihimpun. Untuk setiap pasangan parameter ukur dan parameter target dilakukan analisis korelasi, dan data kesimpulan yang didapatkan disimpan ke dalam basis data.

Proses Jaringan Syaraf Tiruan terdiri atas rangkaian proses sebagai berikut. 1. Masukan data latih, target iterasi, target akurasi, indeks parameter ukur yang digunakan (khusus bagian analisis), dan masukan beban awal. 2. Pelatihan jaringan syaraf tiruan dilakukan seperti pada Gambar IV-9. a. Ambil sebuah datum dari data latih, masukkan nilai parameter ukur ke dalam simpul masukan dan nilai parameter target ke dalam simpul keluaran jaringan syaraf tiruan. Sebuah datum ekuivalen sebuah objek dalam basis data. Setiap nilai parameter

58

yang dimasukkan ke dalam simpul harus dipetakan ke dalam nilai antara 0 hingga 1. b. Propagasi sistem berdasarkan nilai beban, baik beban masukan dan

beban

keluaran

untuk

mendapatkan

nilai

simpul

tersembunyi dan simpul keluaran sistem. c. Penurunan delta sistem berdasarkan selisih nilai propagasi dan nilai target datum. d. Propagasi balik sistem untuk menentukan nilai beban masukan dan keluaran yang baru. e. Lakukan untuk setiap datum dalam data latih. f. Perhitungan akurasi sistem terhadap terhadap keseluruhan data latih. g. Pelatihan dilakukan hingga target iterasi atau target akurasi yang telah ditentukan tercapai. h. Beban masukan dan keluaran akhir disimpan 3. Penerapan jaringan syaraf tiruan dilakukan seperti pada Gambar IV-10. a. Masukan parameter didapatkan dalam proses ekstraksi data. b. Dilakukan propagasi jaringan syaraf tiruan untuk mendapatkan nilai keluaran yang sesuai. c. Nilai keluaran sistem dipetakan ke dalam bentuk yang diinginkan untuk dilaporkan kepada pengguna.

Pelatihan jaringan syaraf tiruan dimulai dengan memasukkan data latih, indeks parameter yang diperlukan, dan data beban awal. Proses pelatihan dilakukan untuk setiap datum dalam data latih, dan pada setiap iterasi latih besar dan iterasi dan akurasi latih diperhitungkan. Pelatihan dilakukan berulang hingga salah satu antara target iterasi atau akurasi latih tercapai. Struktur dan nilai beban jaringan syaraf tiruan disimpan

Pada penerapan jaringan syaraf tiruan, data beban yang telah didapatkan ketika tahapan latihan dipakai sebagai komponen evaluasi terhadap data objek yang telah

59

diekstraksi dari citra yang digunakan. Keputusan yang diambil diberikan sebagai laporan terhadap pengguna.

Antar Muka

Pelatihan Jaringan Syaraf Tiruan

Input untuk pelatihan jaringan syaraf tiruan: Data Latih


Untuk setiap parameter ukur dan target

Petakan ke [0, 1]

Hasil

Pelatihan Jaringan Syaraf Tiruan

Hingga target iterasi atau target akurasi tercapai

Untuk setiap datum

Hasil

Penulisan Data Beban

Penyimpanan Data

Untuk setiap satu set data

Perhitungan iterasi dan akurasi

Penulisan data beban

Propagasi

Penurunan Delta

Data beban: File

Gambar IV-9 Diagram proses pelatihan jaringan syaraf tiruan

60

Propagasi Balik

Jaringan Ekstraksi Data Syaraf Tiruan

Antar Muka

Penerapan Jaringan Syaraf Tiruan

Gambar IV-10

Input untuk bagian terapan: - Citra Teh Hitam - Data Beban - Data Korelasi - Nilai Treshold

Treshold

Report: Console.Wr iteline


Propagasi

Interpretasi Keputusan

Diagram proses penerapan jaringan syaraf tiruan

IV.2.4. Model Kasus Guna IV.2.4.1.

Diagram Kasus Guna

Diagram kasus guna sistem seperti pada Gambar IV-11 dan Gambar IV-12.

61

Kasus Guna Bagian Analisis A1. Ekstraksi Data

A2. Analisis Korelasi Pengguna A3. Pelatihan Sistem Pakar

Gambar IV-11

Kasus guna bagian analisis

Model kasus guna pada bagian analisis dibangun agar pengguna dapat mengetahui informasi korelasi antara parameter ukur yang parameter kualitas yang ia perlukan, dan pengguna mendapatkan kebebasan untuk menguji parameter mana yang dirasakan akan optimal untuk digunakan pada bagian terapan.

Kasus Guna Bagian Terapan T1. Ekstraksi Data

T2. Pelatihan Sistem Pakar Pengguna T3. Penerapan Sistem Pakar

Gambar IV-12

Kasus guna bagian terapan

Kasus guna bagian terapan dirancang untuk pembangunan antar muka yang sesederhana mungkin bagi pengguna. Sistem ini dirancang untuk bekerja hanya dengan parameter yang telah dipilih.

62

IV.2.4.2.

Definisi Pelaku

Pengguna sistem dapat berupa pengguna mandiri hingga ahli organolepsi. Pengguna dapat menggunakan sistem ini sebagai salah satu sarana penyimpanan / pemindahan pengetahuan; ia dapat menetapkan suatu standard klasifikasi dan menyimpan standard tersebut, atau membangun standard baru.

Pengguna dapat menggunakan sistem terapan untuk melakukan ekstraksi data teh, melatih sistem terhadap sampel yang ia tentukan sehingga sampel dapat mengambil keputusan sesuai dengan sampel yang ia berikan.

IV.2.4.3.

Definisi Kasus Guna

Definisi kasus guna sistem seperti pada Tabel IV-3. Kasus guna yang dibangun merupakan penjabaran atas kebutuhan fungsional yang telah diberikan.

Tabel IV-3 Nom

Definisi kasus guna

Kasus Guna

Deskripsi

or A1

Ekstraksi Data

Kasus guna pengambilan data parameter ukur dan kualitas teh hitam serta penyimpanan data

A2

Analisis Korelasi

Kasus guna perhitungan korelasi antara parameter ukur dan parameter kualitas teh hitam

A3

Pelatihan Sistem

Kasus guna pelatihan jaringan syaraf tiruan terhadap parameter ukur yang dipilih, data

Pakar

latih dan data uji

Ekstraksi Data

Kasus guna pengambilan data parameter ukur dan kualitas teh hitam serta penyimpanan

T1

data T2

T3

Pelatihan Sistem

Kasus guna pelatihan jaringan syaraf tiruan terhadap parameter ukur yang dipilih, data

Pakar

latih dan data uji

Penerapan Sistem

Kasus guna pemakaian jaringan syaraf tiruan dalam pengambilan keputusan.

Pakar

IV.2.4.4.

Skenario Kasus Guna

Definisi skenario kasus guna sistem seperti pada Tabel IV-4. Sistem dirancang untuk tidak mengeksekusi semua perintah yang tidak mengikuti prosedur standard.

63

Tabel IV-4 Nomor

Skenario kasus guna

Nama Kasus

Aksi Aktor

Respon Sistem

Aktor mengambil citra yang

Citra ditampilkan di layar

Guna A1

Ekstraksi Data

tersimpan di dalam basis data Aktor memberikan nilai treshold

Nilai treshold disimpan di dalam sistem

Aktor memberikan perintah

Citra biner ditampilkan

treshold Aktor memberikan perintah

Data diekstraksi dari citra dan disimpan dalam basis

ekstraksi citra

data


Data disimpan dalam tempat yang telah ditentukan oleh

penyimpanan data

aktor


Data sistem digantikan dengan data yang diambil

pengambilan data A2

Analisis


Setiap terjadi perubahan data sistem, perhitungan

Korelasi

ekstraksi citra

korelasi dilakukan


Data korelasi disimpan bersama dengan data objek

penyimpanan data Aktor memberikan perintah

Data korelasi dihitung ulang berdasarkan data yang baru

pengambilan data A3

Pelatihan

Aktor memasukkan indeks

Sistem Pakar

parameter ukur dan mutu yang

Indeks parameter dan mutu disimpan

dipakai Aktor memberikan perintah

Data latih disimpan di dalam sistem

pengambilan data latih Aktor memasukkan target iterasi

Data target iterasi dan akurasi disimpan di dalam sistem

dan akurasi yang digunakan Aktor memberikan perintah

Pelatihan dilakukan, log pelatihan diberikan

pelatihan Aktor memberikan perintah

data beban dituliskan ke dalam data

penulisan beban Aktor memberikan perintah

data beban sistem digantikan data beban yang diambil

pembacaan beban Aktor memberikan perintah

Data uji dieksekusi, laporan pengujian diberikan.

eksekusi data uji T1

Ekstraksi Data

Aktor mengambil citra yang

Citra ditampilkan di layar

tersimpan di dalam basis data Aktor memberikan perintah

Data diekstraksi dari citra dan disimpan dalam basis

ekstraksi citra

data


Data disimpan dalam tempat yang telah ditentukan oleh

penyimpanan data

aktor


Data sistem digantikan dengan data yang diambil

pengambilan data T2

Pelatihan


Sistem Pakar

pengambilan data latih

Data latih disimpan di dalam sistem

Aktor memasukkan target iterasi

64

Data target iterasi dan akurasi disimpan di dalam sistem

Nomor

Nama Kasus

Aksi Aktor

Respon Sistem

Guna dan akurasi yang digunakan Aktor memberikan perintah

Pelatihan dilakukan, log pelatihan diberikan

pelatihan Aktor memberikan perintah

data beban dituliskan ke dalam data

penulisan beban Aktor memberikan perintah

data beban sistem digantikan data beban yang diambil

pembacaan beban Aktor memberikan perintah

Data uji dieksekusi, laporan pengujian diberikan.

eksekusi data uji T3

Penerapan


Dengan menggunakan data citra yang diekstraksi,

Sistem Pakar

ekstraksi citra

sistem memberikan kelas mutu yang diinginkan

IV.3. Model Analisis IV.3.1. Realisasi Kasus Guna Tahap Analisis IV.3.1.1.

Kasus Guna A1. Ekstraksi Data

Antar muka pengguna menerima masukan dari pengguna berupa citra, nilai treshold, dan perintah lain yang diperlukan. Bagian ekstraksi data akan menerjemahkan citra ke dalam objek data yang akan disimpan dalam penyimpanan data, seperti pada Gambar IV-13 dan Gambar IV-14.

Antar Muka Pengguna

Ekstraksi Data

Penyimpanan Data

Gambar IV-13

Kasus Guna A1. Ekstraksi data

65

Pengguna melakukan ekstraksi data dengan cara memasukkan citra objek ke dalam sistem. Sistem akan mengekstraksi parameter objek yang terdapat di dalam citra dan memasukkannya ke dalam basis data.

Antar Muka Pengguna

Ekstraksi Data

Penyimpanan Data

citra

Aktor mengambil citra

nilai treshold

Aktor memasukkan nilai treshold

Treshold Aktor melakukan treshold citra biner

Ekstraksi Aktor melakukan ekstraksi citra

data report simpan

Aktor melakukan penyimpanan data.

data Data Ambil

Aktor melakukan pengambilan data

data

Data

report

Gambar IV-14

Diagram urutan A1. Ekstraksi data

Aktor mengambil citra untuk dimasukkan ke dalam sistem. Aktor memasukkan nilai batas dan melakukan pemisahan antara objek dan latar berdasarkan nilai yang ia berikan. Berdasarkan perintah ekstraksi dari aktor, sistem akan mengekstraksi data dari parameter objek yang ia temukan di dalam basis data. Data dapat disimpan untuk diambil kembali berdasarkan keinginan aktor.

IV.3.1.2.

Kasus Guna A2. Analisis Korelasi

Bagian analisis korelasi akan otomatis dipanggil bila terjadi perubahan dalam data pada penyimpanan data, seperti pada Gambar IV-15 dan Gambar IV-16.

66

Antar Muka Pengguna

Ekstraksi Data

Penyimpanan Data

Analisis Korelasi

Gambar IV-15

Kasus guna A2. Analisis korelasi

Perintah analisis korelasi akan dipanggil setiap kali terjadi perubahan pada data yang disimpan, misal, ketika aktor melakukan ekstraksi data. Ini dilakukan agar pengguna selalu mendapatkan informasi terakhir tentang hubungan antara parameter ukur dan kualitas objek yang ia dapatkan.

Antar Muka Pengguna

Aktor melakukan ekstraksi citra

Ekstraksi Data

Penyimpanan Data

Analisis Korelasi

Ekstraksi data Calc

report

Result simpan Aktor melakukan penyimpanan data. data data Data Ambil Aktor melakukan pengambilan data

Ambil Data data

Calc Result report

Gambar IV-16

Diagram urutan A2. Analisis korelasi

67

Sebagai contoh, aktor melakukan penambahan data objek berdasarkan citra yang ia miliki. Setelah penambahan dilakukan, sistem akan melakukan kalkulasi ulang nilai terhadap hubungan antara parameter ukur dan parameter kualitas yang ia miliki. Data korelasi tersebut akan disimpan bersama dengan data objek. Pada waktu ia mengambil data objek baru, terhadap data objek tersebut dilakukan perhitungan korelasi.

IV.3.1.3.

Kasus Guna A3. Pelatihan Sistem Pakar

Antar muka pengguna menerima masukan dari pengguna untuk mengubah perilaku dari bagian jaringan syaraf tiruan. Pelatihan dan pengujian jaringan syaraf tiruan memanfaatkan data yang telah terkumpul, seperti pada Gambar IV-17 dan Gambar IV-18.

Antar Muka Pengguna


Penyimpanan Data

Gambar IV-17

Kasus guna A3. Pelatihan sistem pakar

Aktor berkomunikasi dengan sistem melalui antar muka untuk mengatur semua parameter yang dibutuhkan dalam pelatihan jaringan syaraf tiruan. Jaringan syaraf tiruan yang dibangun memiliki struktur sesuai dengan yang dijabarkan pada halaman 5.

68

Antar Muka Pengguna


Penyimpanan Data

indeks Aktor memasukkan indeks parameter ukur

Ambil Aktor mengambil data latih

Ambil data

data

target iterasi akurasi Aktor memasukkan target iterasi dan akurasi

Latih Aktor memberikan perintah pelatihan

request data data report

Aktor menyimpan data beban

simpan beban beban data

Aktor mengambil data beban

ambil beban request beban beban data

Aktor mengeksekusi data uji

uji request data data report

Gambar IV-18

Diagram urutan A3. Pelatihan sistem pakar

Tahapan pelatihan sistem pakar yang diberikan merupakan penjabaran dari tahapan pelatihan jaringan syaraf tiruan yang diberikan pada Lampiran 8. Tambahan yang diberikan adalah bahwa aktor dapat memilih parameter yang ia gunakan.

IV.3.1.4.

Kasus Guna T1. Ekstraksi Data

Bagian ekstraksi data bagian terapan adalah penyederhanaan dari bagian analisis; parameter yang dipakai adalah parameter yang optimal, dan nilai treshold yang optimal telah diketahui. Secara struktural, bagian ini sama dengan bagian ekstraksi data pada bagian analisis, seperti pada Gambar IV-19 dan Gambar IV-20.

69

Antar Muka Pengguna

Ekstraksi Data

Penyimpanan Data

Gambar IV-19

Kasus guna T1. Ekstraksi data

Pengguna melakukan ekstraksi data dengan cara memasukkan citra objek ke dalam sistem. Sistem akan mengekstraksi parameter objek yang terdapat di dalam citra dan memasukkannya ke dalam basis data. Perbedaan dengan bagian analisis adalah tidak diperlukan pengaturan banyak parameter seperti indeks parameter yang digunakan.

Tahapan ekstraksi data pada bagian terapan merupakan penyerdehanaan terhadap tahapan yang digunakan pada bagian analisis.

70

Antar Muka Pengguna

Ekstraksi Data

Penyimpanan Data

citra


Ekstraksi Aktor melakukan ekstraksi citra

data report simpan


data Data Ambil

Aktor melakukan pengambilan data data Data report

Gambar IV-20

IV.3.1.5.

Diagram urutan T1. Ekstraksi data

Kasus Guna T2. Pelatihan Sistem Pakar

Bagian pelatihan sistem pakar pada bagian terapan sedikit banyak sebangun dengan pada bagian analisis, minus bahwa ia hanya menggunakan parameter yang telah ditentukan, seperti pada Gambar IV-21 dan Gambar IV-22.

Antar Muka Pengguna


Penyimpanan Data

Gambar IV-21

Kasus guna T2. Pelatihan sistem pakar

71

Aktor berkomunikasi dengan sistem melalui antar muka untuk mengatur semua parameter yang dibutuhkan dalam pelatihan jaringan syaraf tiruan. Jaringan syaraf tiruan yang dibangun memiliki struktur sesuai dengan yang dijabarkan pada halaman 5. Tidak seperti pada bagian analisis, beberapa parameter masukan yang diperlukan dari pengguna dihilangkan.

Antar Muka Pengguna


Penyimpanan Data

Ambil

Aktor mengambil data latih

Ambil data

data

target iterasi akurasi Aktor memasukkan target iterasi dan akurasi

Latih Aktor memberikan perintah pelatihan request data data report simpan beban Aktor menyimpan data beban

beban data

ambil beban Aktor mengambil data beban request beban beban

data

uji Aktor mengeksekusi data uji

request data data report

Gambar IV-22

Diagram urutan T2. Pelatihan sistem pakar

Pelatihan sistem pakar yang digunakan merupakan penjabaran dari yang telah dijelaskan pada Lampiran 7.

IV.3.1.6.

Kasus Guna T3. Penerapan Sistem Pakar

Bagian ini merupakan penerapan dari jaringan syaraf tiruan yang telah dilatih, ia mengambil informasi dari citra yang dimasukkan dan memberikan kesimpulan berdasarkan citra tersebut, seperti pada Gambar IV-23 dan Gambar IV-24.

72

Antar Muka Pengguna


Ekstraksi Data

Gambar IV-23

Kasus guna T3. penerapan sistem pakar

Penerapan sistem pakar dilakukan dengan tujuan agar pengguna dapat langsung mengetahui informasi parameter mutu objek dalam citra yang ia berikan berdasarkan parameter ukur di dalamnya dan keputusan yang diambil oleh bagian jaringan syaraf tiruan.

Antar Muka Pengguna

Ekstraksi Data


citra


Ekstraksi Aktor melakukan ekstraksi citra Calc report

Gambar IV-24

Diagram urutan T3. Penerapan sistem pakar

Sistem dirancang agar setiap aktor memasukkan citra ke dalam sistem, ia dapat mengetahui kelas mutu objek pada citra tersebut. Pada prakteknya, ekstraksi citra dilakukan otomatis setiap dilakukan pengambilan citra.

73

IV.3.2. Diagram Kasus Guna Keseluruhan Diagram kasus guna keseluruhan adalah seperti pada Gambar IV-25. Pada diagram tersebut, kelas jaringan syaraf tiruan, analisis korelasi dan kelas ekstraksi data merupakan sebuah kelas kontrol dari sistem yang akan dibangun. Kelas penyimpanan data akan tersusun atas beberapa kelas entitas. Antar muka pengguna diwakili oleh kelas dengan nama yang sesuai.

Antar Muka Pengguna


Penyimpanan Data

Ekstraksi Data

Analisis Korelasi

Gambar IV-25

Diagram kasus guna keseluruhan

IV.3.3. Kelas Analisis Pembagian kelas dalam tahap analisis adalah seperti pada tabel. Atribut dan tanggung jawab masing – masing kelas diberikan pada Tabel IV-5 dan Tabel IV-6.

74

Tabel IV-5

Tabel IV-6

Jenis kelas analisis Nama Kelas

Jenis

Antar Muka Pengguna

Antar Muka

Analisis Korelasi

Kontrol

Ekstraksi Data

Kontrol


Kontrol

Penyimpanan Data

Entitas

Atribut dan metode kelas analisis

Nama Kelas

Atribut

Metode

Antar Muka

private Bitmap gambar;

[Kontrol Antar Muka]

Pengguna

private boolean[][] tresholdmap; private boolean[][] checkmap; private DaftarParameter rincian; private ListTeh datateh; private JaringanSyarafTiruan jaring; [Komponen Antar Muka]

Analisis Korelasi

private int banyakelemen

public double correlationcoefficientParameter(int indeks,

private int banyakelemenarget

int indekstarget)

private ElemenDaftarParameter[] elemen private ElemenDaftarParameter[] elementarget private void findTeh()

Ekstraksi Data

private void addTeh(int i, int j) private void addTitik(/** @ref */ ListTitik list, int i, int j) Jaringan Syaraf

[Struktur Jaringan Syaraf Tiruan]

Tiruan

[Struktur data latih]

Penyimpanan

[Struktur Data]

[Operasi Jaringan Syaraf Tiruan]

[Operasi Data]

Data

IV.3.4. Paket Analisis IV.3.4.1.

Identifikasi Paket Analisis

Untuk bagian analisis dan bagian terapan, pembagian paket yang dilakukan adalah seperti pada Gambar IV-26.

75

Analisis Teh

Paket Antar Muka

Paket Kontrol

Antar Muka Pengguna

Ekstraksi Data

Paket Entitas

Penyimpanan Data

Analisis Korelasi Jaringan Syaraf Tiruan Gambar IV-26

IV.3.4.2.

Struktur Paket Analisis

Identifikasi Kelas Analisis setiap Paket

Untuk bagian analisis dan bagian terapan, identifikasi kelas analisis setiap paket adalah seperti pada Tabel IV-7.

Tabel IV-7

Identifikasi kelas analisis paket Nama Paket

Nama Kelas

Jenis

Antar Muka

Antar Muka Pengguna

Antar Muka

Kontrol

Analisis Korelasi

Kontrol

Ekstraksi Data

Kontrol


Kontrol

Penyimpanan Data

Entitas

Entitas

IV.3.5. Deskripsi Arsitektur Arsitektur perangkat keras yang digunakan merupakan arsitektur mandiri. Ketergantungan terhadap sistem lain ditiadakan. Arsitektur pengambilan citra dijabarkan pada metode penelitian.

76

IV.4. Model Perancangan IV.4.1. Realisasi Kasus Guna Tahap Perancangan Kasus guna pada tahap perancangan merupakan gambaran umum siap implementasi terhadap kasus guna tahap analisis. Setiap kasus guna pada tahap perancangan memiliki pasangan kasus guna pada tahapan analisis.

IV.4.1.1.

Kasus Guna A1. Ekstraksi Data

Ekstraksi data bagian analisis dilakukan dengan menggunakan kelas dan urutan kerja seperti pada Gambar IV-27 dan Gambar IV-28. Struktur penyimpanan data tidak dijabarkan untuk tujuan kemudahan pembacaan.

FormEkstraksiData

EkstraksiData -checkmap -datateh -gambar -rincian -tresholdmap +addTeh() +addTitik() +AmbilGambar() +BacaData() +checkStatus() +findTeh() +isPinggir() +isTepi() +searchLatar() +Treshold() +TulisData() +updateRincian() +ValidasiNilaiTreshold()

+initializeComponent()

Penyimpan an Data

Gambar IV-27

Diagram Kelas A1. Ekstraksi Data

77

FormEkstraksiData

EkstraksiData

PenyimpananData

getGambar()


Treshold()

Aktor memasukkan nilai treshold

Treshold() Aktor melakukan treshold getTresholdMap()

findTeh() Aktor melakukan ekstraksi citra

addTeh() Report()

TulisData() Aktor melakukan penyimpanan data. Data()

Data

BacaData() Aktor melakukan pengambilan data Data() Data Report()

Gambar IV-28

IV.4.1.2.

Diagram urutan tahap perancangan A1. Ekstraksi Data

Kasus Guna A2. Analisis Korelasi

Analisis korelasi bagian analisis dilakukan dengan menggunakan kelas dan urutan kerja seperti pada Gambar IV-29 dan Gambar IV-30. Bagian struktur data tidak dijabarkan untuk tujuan kemudahan pembacaan. Meskipun kelas elemen daftar parameter diberikan di diagram kelas, namun karena tidak memiliki fungsi spesifik tidak dimasukkan ke dalam diagram urutan.

78

FormEkstraksiData



Penyimpan an Data

DaftarParameter -banyakelemen -banyakelemen -elemen -elementarget +TulisData() +UrutNaikKorelasi() +UrutTurunKorelasi()

ElemenDaftarParameter -banyaktarget -indeks -korelasi -maksimum -minimum -nama

Gambar IV-29

Diagram Kelas A2. Analisis Korelasi

FormEkstraksiData

EkstraksiData

PenyimpananData

DaftarParameter


addTeh() correlationcoefficientParameter()

report

Report() TulisData() Aktor melakukan penyimpanan data. Data() Data() Data BacaData() Aktor melakukan pengambilan data

BacaData() Data Data()

correlationcoefficientParameter() Report() Report()

Gambar IV-30

Diagram urutan tahap perancangan A2. Analisis Korelasi 79

IV.4.1.3.

Kasus Guna A3. Pelatihan Sistem Pakar

Pelatihan sistem pakar dilakukan dengan menggunakan kelas dan urutan kerja seperti pada Gambar IV-31 dan Gambar IV-32. Bagian struktur data tidak dijabarkan untuk tujuan kemudahan pembacaan.

FormLatihJST +initializeComponent()

Penyimpan an Data

Gambar IV-31

JaringanSyarafTiruan -akurasi -banyaknodekeluaran -banyaknodemasukan -banyaknodetersembunyi -bebankeluaran -bebanmasukan -dataparameter -deltakeluaran -deltamasukan -indeksparameter -iterasi -keluaran -lajupembelajaran -masukan -target -targetakurasi -targetiterasi -tersembunyi -totalakurasi +BacaBeban() +calculateAkurasi() +calculateDelta() +calculateWeight() +IterasiBatasAkurasi() +IterasiBatasIterasi() +IterasiBatasIterasidanAkurasi() +IterasiDatum() +IterasiLatih() +Propagasi() +TulisBeban() +TulisIsiLaporanLatihan() +TulisJudulLaporanLatihan()

Diagram Kelas A3. Pelatihan sistem pakar

80

FormLatihJST

JaringanSyarafTiruan

PenyimpananData

getIndeks() Aktor memasukkan indeks parameter ukur

BacaDataLatih() Aktor mengambil data latih

BacaDataLatih() Data()

data

getTargetIterasi(), getTargetAkurasi() Aktor memasukkan target iterasi dan akurasi

IterasiLatih() Aktor memberikan perintah pelatihan

getListData() Data() Report() TulisBeban()

Aktor menyimpan data beban

Beban() data BacaBeban()

Aktor mengambil data beban

BacaBeban() Beban() data Propagasi()

Aktor mengeksekusi data uji

getListData() Data() Report()

Gambar IV-32

Diagram urutan tahap perancangan A3. Pelatihan sistem pakar

IV.4.1.4.

Kasus Guna T1. Ekstraksi Data

Ekstraksi data bagian terapan dilakukan dengan menggunakan kelas dan urutan kerja seperti pada Gambar IV-33 dan Gambar IV-34. Bagian struktur data tidak dijabarkan untuk tujuan kemudahan pembacaan.

81

FormEkstraksiData



Penyimpan an Data

Gambar IV-33

Diagram Kelas T1. Ekstraksi Data

FormEkstraksiData

EkstraksiData

PenyimpananData

getGambar()



addTeh() Report()

TulisData()


Data() Data

BacaData()

Aktor melakukan pengambilan data

Data()

Data

Report()

Gambar IV-34

IV.4.1.5.

Diagram urutan tahap perancangan T1. Ekstraksi Data

Kasus Guna T2. Pelatihan Sistem Pakar

Pelatihan sistem pakar bagian terapan dilakukan dengan menggunakan kelas dan urutan kerja seperti pada Gambar IV-35 dan Gambar IV-36. Bagian struktur data tidak dijabarkan untuk tujuan kemudahan pembacaan.

82

FormLatihJST +initializeComponent()

Penyimpan an Data

Gambar IV-35


Diagram Kelas T2. Pelatihan sistem pakar

83

FormLatihJST


PenyimpananData

BacaData()

Aktor mengambil data latih

BacaData() Data()

data

getTargetIterasi(), getTargetAkurasi() Aktor memasukkan target iterasi dan akurasi

IterasiLatih() Aktor memberikan perintah pelatihan getListData() Data() Report() TulisBeban() Aktor menyimpan data beban

Beban() data

BacaBeban() Aktor mengambil data beban BacaBeban() Beban()

data

Propagasi() Aktor mengeksekusi data uji

getListData() Data() Report()

Gambar IV-36

Diagram urutan tahap perancangan T2. Pelatihan Sistem Pakar

IV.4.1.6.

Kasus Guna T3. Penerapan Sistem Pakar

Penerapan sistem pakar dilakukan dengan menggunakan kelas dan urutan kerja seperti pada Gambar IV-37 dan Gambar IV-38.

84

FormEkstraksiData +initializeComponent()


Gambar IV-37


Diagram Kelas T3. Penerapan sistem pakar

FormEkstraksiData

EkstraksiData


getGambar()


findTeh() Aktor melakukan ekstraksi citra addTeh() Report()

Gambar IV-38

Diagram urutan tahap perancangan T3. Penerapan Sistem Pakar

85

IV.4.2. Diagram Kelas Keseluruhan Keseluruhan diagram kelas diberikan pada Gambar IV-39. Penjabaran dari paket penyimpanan data diberikan pada Gambar IV-40.

FormPembuka

Program

+initializeComponent() +PilihanForm()

+main()

FormEkstraksiData

FormTerapan

FormLatihJST




EkstraksiData


-checkmap -datateh -gambar -rincian -tresholdmap +addTeh() +addTitik() +AmbilGambar() +BacaData() +checkStatus() +findTeh() +isPinggir() +isTepi() +searchLatar() +Treshold() +TulisData() +updateRincian() +ValidasiNilaiTreshold()

-akurasi -banyaknodekeluaran -banyaknodemasukan -banyaknodetersembunyi -bebankeluaran -bebanmasukan -dataparameter -deltakeluaran -deltamasukan -indeksparameter -iterasi -keluaran -lajupembelajaran -masukan -target -targetakurasi -targetiterasi -tersembunyi -totalakurasi +BacaBeban() +calculateAkurasi() +calculateDelta() +calculateWeight() +IterasiBatasAkurasi() +IterasiBatasIterasi() +IterasiBatasIterasidanAkurasi() +IterasiDatum() +IterasiLatih() +Propagasi() +TulisBeban() +TulisIsiLaporanLatihan() +TulisJudulLaporanLatihan()

Penyimpan an Data

DaftarParameter -banyakelemen -banyakelemen -elemen -elementarget +TulisData() +UrutNaikKorelasi() +UrutTurunKorelasi()

ElemenDaftarParameter -banyaktarget -indeks -korelasi -maksimum -minimum -nama

Gambar IV-39

Diagram Kelas Keseluruhan

86

ListTeh

Titik

-first -last +BacaData() +correlationcoefficientParameter() +Count() +cubicsumParameter() +cubicsumTarget() +DelAll() +InsertFirst() +isEmpty() +maxParameter() +maxTarget() +minParameter() +minTarget() +sumParameter() +sumParameterTarget() +sumTarget() +TulisData()

-banyakparameter -datatitik -statustitik -xaxis -yaxis +computeHSLS() +computeHSVS() +computeHue() +DeltaB() +DeltaG() +DeltaMaxMin() +DeltaR() +Indeks() +Max() +Min() +Pemetaan()

ElementListTeh

ElementListTitik

-info -next -previous

-info -next -previous

Parameter -besar -nama

Teh

ListTitik

-banyakparameter -banyaktarget -datateh -rincian -target +computeKebulatan() +computeKompleksitasBentuk() +rerataWarna()

-first -last -bantuPanjang -Count -CountEdge -DelAll -InsertFirst -isEmpty -Panjang -sumMassax -sumMassaxSquared -sumMassay -sumMassaySquared -sumParameter -xMax -xMin -yMax -yMin

Gambar IV-40

Penjabaran struktur penyimpanan data

87

IV.4.3. Kelas Perancangan IV.4.3.1.

Hubungan antara Kelas Analisis dan Kelas Perancangan

Hubungan antara kelas analisis dan kelas perancangan pada bagian analisis dan perancangan digambarkan seperti pada Gambar IV-41.

Kelas Perancangan Program FormPembuka FormAmbilData Kelas Analisis

FormLatihJST

Antar Muka Pengguna

FormTerapan

Ekstraksi Data

EkstraksiData

Analisis Korelasi

DaftarParameter


ElementDaftarParameter

Penyimpanan Data

JaringanSyarafTiruan ListTeh ElementListTeh Teh ListTitik ElementListTitik Titik Parameter

Gambar IV-41

Hubungan antara kelas analisis dan kelas perancangan

88

IV.4.3.2.

Operasi dan Atribut

Operasi dan atribut setiap kelas yang terlibat dalam sistem diberikan pada tabel – tabel yang diberikan pada Lampiran 9. Hanya kelas dengan fungsi – fungsi utama yang dijabarkan. 1. Tabel 0-3 Operasi dan atribut kelas EkstraksiData 2. Tabel 0-4 Operasi dan atribut kelas JaringanSyarafTiruan 3. Tabel 0-5 Operasi dan atribut kelas DaftarParameter 4. Tabel 0-6 Operasi dan atribut kelas Teh 5. Tabel 0-7 Operasi dan atribut kelas Titik

IV.4.3.3.

Algoritma dan Kueri

Algoritma yang telah dipaparkan dalam lampiran diterapkan dalam perangkat lunak sesuai rangkaian tabel yang diberikan pada Lampiran 10. Hanya algoritma yang berkaitan dengan dasar teori yang akan ditampilkan di sini. 1. Tabel 0-8 Algoritma treshold 2. Tabel 0-9 Algoritma penambahan objek ke dalam basis data 3. Algoritma pelatihan jaringan syaraf tiruan, dibagi atas tabel – tabel berikut. a. Tabel 0-10

Algoritma pelatihan jaringan syaraf tiruan,

bagian propagasi b. Tabel 0-11


bagian perhitungan delta c. Tabel 0-12


bagian propagasi balik 4. Tabel 0-13

Algoritma perhitungan korelasi parameter

5. Tabel 0-14

Algoritma perhitungan nilai titik

6. Tabel 0-15

Algoritma perhitungan parameter ukur fisik

IV.4.3.4.

Diagram Status

Kelas – kelas dalam sistem akan melewati beberapa fase bentuk sebagai berikut.

89

1. Untuk kelas yang termasuk kelas antarmuka, fase bentuk dari objek kelas adalah seperti pada Gambar IV-42. Kelas yang dibangun dengan bentuk ini adalah sebagai berikut. a. FormPembuka b. FormAmbilData c. FormLatihJST d. FormTerapanSistemPakar 2. Untuk kelas yang termasuk kelas kontrol, fase bentuk dari objek kelas adalah seperti pada Gambar IV-43. Kelas yang dibangun dengan bentuk ini adalah sebagai berikut. a. EkstraksiData b. DaftarParameter dan ElemenDaftarParameter c. JaringanSyarafTiruan 3. Untuk kelas yang termasuk kelas entitas, fase bentuk dari objek kelas adalah seperti pada Gambar IV-44. Kelas yang dibangun dengan bentuk ini adalah setiap kelas yang merupakan bagian dari struktur data.

Idle

menerima input key

re-draw

Gambar IV-42

Diagram status kelas antar muka

create

Persisted

Delete

Gambar IV-43

Diagram status kelas kontrol

90

create

Persisted

Update

Delete

Gambar IV-44

Diagram status kelas entitas

IV.4.4. Perancangan Antar Muka Kelas – kelas antar muka yang akan dibangun di dalam sistem adalah sebagai berikut. 1. FormPembuka. Kelas ini berfungsi sebagai menu utama, kelas apa saja yang dapat dipilih oleh pengguna. Pilihan yang dapat dilakukan untuk rancangan form ini adalah sebagai form induk atau sebagai form utama. 2. FormAmbilData. Peran form ini adalah sebagai form untuk pengambilan data objek yang akan diekstraksi. Bentuk form diberikan seperti pada Gambar IV-45. Form terdiri atas PictureBox untuk gambar, citra biner hasil treshold, dan citra piksel hasil penelaahan. Report berisi log data yang telah diekstrak dari gambar. 3. FormLatihJST. Form ini digunakan untuk membangun dan melatih suatu jaringan syaraf tiruan sebagai tulang punggung dari sistem pakar keseluruhan. Bentuk form diberikan seperti pada Gambar IV-46. Pada bagian terapan, masukan untuk indeks parameter ditiadakan; sistem hanya akan menggunakan parameter yang telah ditentukan. 4. FormTerapanSistemPakar. Form ini merupakan kulminasi dari keseluruhan sistem, dengan menggunakan sistem pakar yang telah ditentukan, sistem mengenali objek pada gambar dan mengambil kesimpulan kelas mutu objek berdasarkan jaringan syaraf tiruan. Bentuk form diberikan seperti pada Gambar IV-47.

91

Form Ambil Data

Load Gambar Treshold Save Data Load Data Reset Data

Add Tea Data

Rmin

Rmax

Gmin

Gmax

Bmin

Bmax

Nama Target Kelas

Nilai Target Kelas

Count

Report

Gambar IV-45

Form Ambil Data

Form Latih JST Input Node Hidden Node Output Node

Pilihan Indeks Parameter Target Iterasi Target Akurasi Load Data Latih

Latih

Load Data Uji

Uji

Report

Reset Data

Gambar IV-46

Form Latih JST

92

Form Terapan Sistem Pakar Report

Load Gambar

Gambar IV-47

Form Terapan Sistem Pakar

IV.4.5. Diagram Pelepasan Sistem dilepaskan sebagai suatu sistem mandiri, sehingga ketergantungan kepada pengaruh dari luar dapat diminimasi, seperti pada Gambar IV-48. Hanya bagian terapan yang akan diterima oleh pengguna.

Sistem

Analisis Teh

Gambar IV-48

Diagram pelepasan sistem

93

IV.5. Implementasi IV.5.1. Implementasi Kelas Kelas yang diimplementasikan sesuai dengan Tabel IV-8. Bentuk dasar ini berlaku baik untuk perangkat lunak analisis maupun perangkat lunak terapan.

Tabel IV-8 Nomo

Implementasi Kelas Nama Kelas

Nama File Fisik

Padanan

r

Keterangan

Perancangan

1

Program

Program.java

Program

2

FormPembuka

FormPembuka.java

FormPembuka

3

FormAmbilData

FormAmbilData

FormAmbilData

4

FormPelatihanJaringanSyarafTi

FormPelatihanJaringanSyarafTiruan

FormLatihJST

ruan

.java

5

FormTerapanAnalisis

FormTerapanAnalisis.java

FomTerapan

6

EkstraksiData

EkstraksiData.java

EkstraksiData

7

PelatihanJaringanSyarafTiruan

PelatihanJaringanSyarafTiruan.java

Ditambahka n untuk mempermud ah pengendalia n jaringan syaraf tiruan

8

TerapanAnalisis

TerapanAnalisis.java

Ditambahka n sebagai pengendali penerapan sistem pakar

9


JaringanSyarafTiruan.java


10

DaftarParameter

DaftarParameter.java

DaftarParameter

11

ElemenDaftarParameter

ElemenDaftarParameter.java

ElementDaftarParam

12

ListTeh

ListTeh.java

ListTeh

13

ElemenListTeh

ElemenListTeh.java

ElementListTeh

14

Teh

Teh.java

Teh

15

ListTitik

ListTitik.java

ListTitik

16

ElemenListTitik

ElemenListTitik.java

ElementListTitik

17

Titik

Titik.java

Titik

18

Parameter

Parameter

Parameter

eter

Penambahan kedua kelas tersebut dilakukan untuk melengkapi kelas kontrol terhadap setiap antar muka yang diterapkan. Ini untuk memperlakukan jaringan syaraf tiruan sebagai sebuah entitas yang dikendalikan oleh kontrol yang

94

menjembatani antara antar muka dan entitas, bukan jaringan syaraf tiruan sebagai kontrol itu sendiri, seperti pada tahap perancangan. Perlakuan ini merupakan tuntutan lingkungan pemrograman.

IV.5.2. Implementasi Antar Muka Untuk perangkat lunak analisis, antar muka yang diterapkan adalah seperti pada rangkaian gambar berikut. Perangkat lunak penerapan merupakan modifikasi dan penyederhanaan dari antar muka analisis. 1. Gambar IV-49

FormPembuka

2. Gambar IV-50

FormAmbilData

3. Gambar IV-51


4. Gambar IV-52

FormTerapanAnalisis

Gambar IV-49

FormPembuka

FormPembuka diterapkan baik untuk perangkat lunak analisis maupun perangkat lunak terapan. Fungsi satu – satunya form ini adalah untuk memanggil form lain yang dibutuhkan.

95

Gambar IV-50

FormAmbilData

Untuk dapat menerima masukan kelas mutu yang lebih dari satu parameter, bentuk masukan parameter diubah, dari sebuah textbox menjadi rangkaian listbox. Untuk perangkat lunak terapan, karena nilai treshold yang dibutuhkan telah diketahui, bagian masukan nilai treshold dapat dihilangkan, begitu pun bagian pemasukan target kelas mutu. Tombol blocky treshold ditambahkan untuk memudahkan pengamatan hamparan teh.

Gambar IV-51


Metode pemasukan parameter diubah dari perancangan agar dapat menerima lebih dari satu masukan parameter ukur pelatihan. Untuk perangkat lunak terapan,

96

bagian pemasukan parameter pelatihan dapat dihilangkan karena parameter pelatihan telah diketahui.

Gambar IV-52

FormTerapanAnalisis

Form ini digunakan untuk mengsimulasikan bagaimana jaringan syaraf tiruan diterapkan. Komponen tombol ambil data beban dan ambil data parameter, treshold, dan blocky treshold dapat dihilangkan untuk perangkat lunak penerapan karena komponen yang dibutuhkan dapat langsung dimasukkan sebagai kode pada perangkat lunak.

IV.6. Pengujian IV.6.1. Rencana Pengujian Pengujian dilakukan dengan metode kotak putih sebagai bagian dari proses pengembangan (pengembangan dilakukan berbasis pengujian), dan pengujian juga dilakukan dengan metode kotak hitam melalui setiap antar muka yang digunakan.

Pengujian kotak putih dilakukan selama pengembangan, dan pengujian kotak hitam dilakukan setelah keseluruhan perangkat lunak telah selesai dikembangkan. Dalam pengujian ini, sasaran yang dikejar adalah pemenuhan kebutuhan perangkat lunak. Pengujian performa perangkat lunak diujikan sebagai bagian dari penelitian, dan diberikan dalam Bab VI.3.

97

Di antara semua kelas yang dibangun, hanya kelas antar muka yang melakukan interaksi langsung dengan pengguna. Pengujian kotak hitam hanya dilakukan terhadap perintah kendali yang diberikan dalam kelas antar muka.

Pengujian mengikuti komponen pengujian seperti pada Tabel IV-9.

Tabel IV-9 Kasus Uji

Ekstraksi Data

Rencana pengujian Kelas Antar Muka Terkait

Butir Uji

Identifikasi

FormPembuka

Pengujian Pemanggilan Antar Muka

0.1

FormAmbil Data

Pengujian pengambilan citra yang

1.1

Form Terapan Analisis

tersimpan di dalam basis data Pengujian pemberian nilai treshold

1.2

Pengujian pemberian perintah treshold

1.3

Pengujian pemberian perintah ekstraksi citra

1.4

Pengujian pemberian perintah penyimpanan

1.5

data Pengujian pemberian perintah pengambilan

1.6

data Analisis Korelasi

FormAmbilData


2.1


Pengujian pemberian perintah penyimpanan

2.2

FormTerapanAnalisis

data Pengujian pemberian perintah pengambilan

2.3

data Pelatihan Sistem


Pengujian pemasukan indeks parameter ukur

3.1

dan mutu yang dipakai

Pakar

Pengujian pemberian perintah pengambilan

3.2

data latih Pengujian pemberian perintah pelatihan

3.3

Pengujian pemasukan target iterasi dan

3.4

akurasi yang digunakan Pengujian pemberian perintah penulisan

3.5

beban Pengujian pemberian perintah pembacaan

3.6

beban Pengujian pemberian perintah eksekusi data

3.7

uji Penerapan Sistem

FormTerapanAnalisis


Pakar

98

4.1

IV.6.2. Kasus Uji Pengujian validatif yang dilakukan terhadap perangkat lunak memberikan hasil seperti pada Lampiran 11. Beberapa spesifikasi yang diberikan pada tahap analisis diimplementasikan secara berbeda di dalam tahap implementasi bila dibandingkan dengan perancangan atas tuntutan lingkungan pengembangan.

99

Gambar IV-1 Diagram pembangunan perangkat lunak

Recommend Documents