SISTEM IDENTIFIKASI KODE TANGAN MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN BACKPROPAGATION Holisah, Prihastuti Harsani dan Arie Qur’ania
[email protected] Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Pakuan ABSTRAK Identifikasi Kode Tangan yaitu Sistem Identifikasi Kode Tangan ini berbasis desktop. Sistem ini menggunakan metode Principal Component Analysis sebagai ekstrasi fitur dan jaringan syaraf tiruan (Artificial Neural Network) Backpropagation untuk perhitungan dan pendekatan. Sistem Identifikasi Kode Tangan ini dibuat dengan menggunakan software Matlab dan Ms. Excel. Metode pendekatan Menggunakan Principal Component Analysis dan Bacpropagation adalah SDLC (Software Development Life Cycle). Aplikasi ini telah melalui tahap proses validasi atau uji coba, yaitu uji coba struktural, uji coba fungsional dan uji coba validasi. Uji coba sistem dilakukan dengan membandingkan sistem yang telah dibuat dengan perhitungan manual dengan menggunakan metode principal component analysis dan jaringan syaraf tiruan (Artificial Neural Network) Backpropagation. Uji coba pengujian yang dilakukan dengan gambar tangan yang dihasilkan pada cahaya normal menghasilkan akurasi mencapai 84,6% sedangkan akurasi pada cahaya kurang 73%. Kata kunci: Kode tangan, PCA, Backpropagation, Identifikasi
1. PENDAHULUAN 1.1. Latar Belakang Perkembangan teknologi yang semakin pesat menuntut manusia untuk menambah pengetahuan dan penguasaan teknologi informasi untuk dapat saling terhubung dan berkomunikasi. Penerapan teknologi informasi telah mengubah cara berkomunikasi seseorang sehingga memudahkan manusia dalam memenuhi kebutuhan, karena informasi dapat disajikan dengan cepat, efektif dan efisien. Komunikasi mempunyai peranan penting dalam menempuh hidupnya karena Komunikasi merupakan cara manusia untuk menyampaikan pernyataan kepada orang lain. Namun komunikasi akan sulit dilakukan oleh anak berkebutuhan khusus karena dia memiliki hambatan pendengaran dalam proses bicara. (Haenudin, 2013) Kurniawan dan Harjoko, 2011 melakukan penelitian dengan judul “Pengenalan Bahasa Isyarat dengan
Metode Segmentasi Warna Kulit dan Center of Gravity”. Tujuan dari penelitian adalah untuk menghubungkan penderita cacat tunarungu dengan manusia normal. Metode yang digunakan menggunakan segmentasi warna kulit dan center of gravity. Tingkat akurasi sistem dalam cahaya kurang mencapai 60.25 % sedangkan tingkat akurasi dalam keadaan terang 78.20%. Berdasarkan pada permasalahan, bahasa isyarat kode tangan pada umumnya hanya dimengerti oleh manusia yang telah mempelajarinya sedangkan komputer tidak dapat memahami kode tangan maka pada penelitian ini dibuat aplikasi komputer cerdas yaitu aplikasi identifikasi kode tangan menggunakan metode principal component analysis sebagai ekstrasi fitur dan Backpropagation sebagai identifikasi. 1
kepada kamus sistem isyarat bahasa indonesia yang telah dibakukan sedangkan isyarat alfabet mengacu pada ASL (American Sign Language) (Iqbal et al, 2011)..
1.1.Tujuan Penelitian Tujuan dari penelitian ini adalah Sistem Identifikasi Kode Tangan Menggunakan Principal Component Analysis dan Backpropagation. 1.2. Ruang Lingkup Ruang lingkup penelitian ini meliputi: 1. Ekstrasi ciri terhadap gerakan jari tangan menggunakan principal component analysis. 2. Kamera digunakan untuk akuisisi data. 3. Metode yang digunakan untuk identifikasi citra adalah jaringan syaraf tiruan (Artificial Neural Network) Backpropagation. 4. Untuk memudahkan dalam mengidentifikasi warna kulit tangan, foto tangan diambil dengan menggunakan latar belakang warna hitam. 5. Foto tangan yang digunakan tangan kanan, foto tangan dengan 26 karakter huruf dalam bahasa isyarat mempunyai 156 data yang dibagi menjadi 2 bagian yaitu cahaya normal dan cahaya kurang. Data untuk cahaya normal yaitu data latih 2x26=52 dan 1x26=26 sedangkan data untuk cahaya kurang yaitu 2x26=52 dan 1x26=26.
Gambar 1. Kode Tangan Alfabet 2.2. Pengelolaan Citra Digital Citra merupakan input untuk pengolahan citra sedangkan outputnya adalah hasil dari pengolahan citra (Sutoyo et al, 2009). 2.3.Ekstrasi Fitur Citra Ekstrasi fitur merupakan langkah untuk pengambilan ciri citra dari suatu bentuk yang akan di proses untuk tahap analisis. Ekstrasi fitur digunakan untuk mendapatkan ciri-ciri pembeda dari objek. Menurut Purnomo dan Muntasa (2010). 2.4. Principal Component Analysis Menurut Purnomo dan Muntasa (2010), Principal Component Analysis merupakan sebuah metode ekstrasi fitur yang digunakan untuk membandingkan jumlah dimensi dari citra yang lebih besar dari data sampel.
1.3. Manfaat Penelitian Manfaat dari penelitian ini adalah menghasilkan sistem cerdas komputer yang berfungsi untuk mengidentifikasi kode tangan kedalam bentuk huruf, sehingga didapatkan akurasi pada identifikasi.
2.5.Jaringan Syaraf Tiruan (Artificial Neural Network) Jaringan Syaraf Tiruan merupakan sistem informasi yang diproses dengan karakteristik seperti syaraf biologis manusia. (Widodo dan Handayanto, 2012). Jaringan Syaraf Tiruan menghasilkan keluaran yang didapatkan berdasarkan pengalaman selama jaringan mengikuti proses pembelajaran (Puspitaningrum, 2006).
2.Tinjauan Pustaka 2.1. Kode Tangan Bahasa isyarat dibagi menjadi 2 bagian, yaitu isyarat kata dan isyarat alfabet, untuk isyarat kata mengacu
2.5.1. Backpropagation 2
Jaringan Syaraf Tiruan Backpropagation merupakan suatu algoritma pembelajaran yang terawasi, biasanya disebut dengan banyak lapisan (perceptron). Backpropagation mempunyai cara kerja dengan mengubah bobot-bobot yang terhubung dengan neuron-neuron pada lapisan tersembunyinya (Kusumadewi, 2004). Menurut Fadlisyah dan Rizal (2011), Backpropagation merupakan jaringan perceptron banyak lapisan yang dibuat dari unit-unit non-linier.
Tahap analisis sistem merupakan tahap menganalisis permasalahan identifikasi kode tangan menuju target terdekat menggunakan fungsi round, sehingga memberikan informasi hasil identifikasi menjadi sebuah karakter huruf dari kode tangan yang diuji. Oleh karena itu penerapan metode Principal Component Analysis sebagai ekstrasi fitur dan Jaringan Syaraf Tiruan (Artificial Neural Network) Backpropagation sangat diperlukan untuk menentukan hasil dari identifikasi. 3.1.3
Tahap Perancangan Sistem Tahap perancangan sistem adalah tahap merancang sistem yang telah melalui proses perencanaan dan analisis. Gambar 2 Arsitektur jaringan Backpropagation.
3.1.4
Tahap Implementasi Tahap implementasi sistem adalah proses yang dilakukan setelah tahap perancangan selesai dilakukan, setelah itu melakukan tahap pembuatan kedalam bahasa pemrograman.
3.METODOLOGI PENELITIAN 3.1 Metode penelitian Rancangan penelitian menggunakan model Software Development Life Cycle sebagai tahapan yang harus di lakukan. Tahap-tahap pendekatan SDLC dapat dilihat pada gambar 3.
3.1.5
Tahap Uji Coba Uji coba sistem adalah pengujian yang dilakukan setelah pembuatan sistem selesai dibuat dengan melakukan percobaan pada user interface. Berikut adalah beberapa pengujian yang dilakukan terhadap sistem yang dibuat. 1. Uji Coba Struktural Uji coba struktural adalah pengujian yang dilakukan untuk mengetahui apakah sistem yang dibangun strukturnya atau alur program telah sesuai dengan rancangan 2. Uji Coba Fungsional Uji coba fungsional adalah pengujian yang dilakukan untuk mengetahui apakah sistem telah berfungsi dengan baik atau tidak. 3. Uji Coba Validasi
Mulai
Tahap Perencanaan Sistem
Tahap Analisis Sistem
Tahap Perancangan Sistem
Tahap Implementasi
Tahap Uji Coba
Ya
Tidak Uji Berhasil
Penggunaan
Selesai
Gambar 3. Tahap Penelitian SDLC 3.1.1 Tahap Perencanaan Sistem Tahap perencanaan sistem adalah tahap awal untuk mendapatkan resources yang digunakan untuk memperoleh solusi pada sistem yang akan dibuat. 3.1.2 Tahap Analisis Sistem 3
Uji coba validasi adalah pengujian yang dilakukan untuk mengetahui tingkat akurasi antara perhitungan secara manual dengan perhitungan pada sistem yang dibuat.
4. PERANCANGAN DAN IMPLEMENTASI 4.1 Tahap Perencanaan Sistem Tahap Perencanaan merupakan suatu proses dalam mengumpulkan data.
3.2 Waktu dan Tempat Penelitian Penelitian dilaksanakan di laboratorium Program Studi Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Pakuan Bogor. Pelaksanaan penelitian dilakukan dari bulan Januari 2015 sampai Maret 2015 (3 bulan).
4.2 Tahap Analisis Sistem Tahap analisis sistem merupakan tahap analisis ini dapat dilakukan dengan cara memahami permasalah pada sistem yang akan dibuat kemudian menarik kesimpulan dari proses analisis tersebut. Alur identifikasi kode tangan dapat dilihat pada gambar 4. Mulai
Akuisisi Citra
3.3 Alat dan Bahan Penelitian 3.3.1 Alat Penelitian Alat dan bahan penelitian yang digunakan berupa perangkat keras (Hardware) dan perangkat lunak (Software). Perangkat keras, berupa : a. Processor Intel® Core™ i5 b. 2430M CPU @2.40Ghz c. 500GB Hard Drive d. 4096MB RAM e. NVIDIA Geforce® GT540M
Masukkan citra tangan hasil akuisisi citra berbentuk .jpg
Preprocessing
Ekstrasi Fitur dengan Principal Component Analysis
Pelatihan Jaringan Syaraf Tiruan (Artificial Neural Network)Backpropagation
Pengujian Jaringan Syaraf Tiruan (Artificial Neural Network)Backpropagation
Hasil Pelatihan .mat
Hasil Identifikasi
Selesai
Gambar 4. Alur Identifikasi Kode Tangan 4.2.1 Akuisisi Citra Pada tahap ini citra tangan di akuisisi dengan menggunakan kamera digital. Hasil dari tahap ini adalah citra digital dari gambar tangan yang akan disimpan dalam database beserta informasinya. Gambar kode tangan hasil akuisisi citra dapat dilihat pada lampiran 1.
Perangkat Lunak, berupa : a. Operating System Windows 8 Pro 64-bit b. Matlab 2010a c. Mozilla Firefox d. Office 2010 3.3.2 Bahan Penelitian Adapun bahan yang digunakan selama pembuatan sistem ini adalah : 1. Citra digital tangan. 2. Skrip Matlab sebagai bahasa pemrograman yang akan digunakan. 3. Skripsi, Jurnal, Buku dan artikel sebagai bahan referensi dalam pembuatan laporan.
4.2.2 Preprocessing Preprocecessing yang dilakukan pada penelitian adalah menyeragamkan ukuran citra menjadi 10x10 piksel dan merubah citra warna menjadi citra grayscale 8 bit (28 = 256 derajat keabuan) dengan cara menghitung rata-rata elemen warna Red, Green, Blue (Sutoyo. 2009).
4
f o( x, y )
f i R ( x, y ) f i G ( x, y ) f i B ( x, y ) 3
Zero Mean merupakan data yang diperoleh dari pengurangan data normal x dikurangi nilai rata-rata dari parameter terkait. Hasil dari zero mean dapat dilihat pada tabel 3. Tabel 3. Perhitungan Zero Mean
.......(5) 4.2.3 Ekstrasi Fitur Principal Component Analysis Tahap ini merupakan proses teknikteknik sederhana dalam statistika. Alur ekstrasi fitur dapat dilihat pada gambar 5. mulai
Cari nilai rata-rata seluruh citra menggunakan persamaan
Hitung Zero Mean menggunakan persamaan
4.2.3.3 Menentukan Matrik Kovarian Matrik Kovarian adalah matrik yang digunakan untuk memperoleh ciri utama dari sample tangan sehingga mendapatkan ruang tangan dari ciri tangan tersebut. Matrik kovarian dapat diperoleh dengan cara mengkalikan matrik baru dengan matrik transposenya Tabel 4. Hasil Perkalian (x-µ) (x-µ)
Gandakan Zero Mean seperti pada persamaan
Membentuk matrik kovarian
Menentukan Matrik Eigenvector dan EigenValue
Hasil Vektor PCA
selesai
Gambar 5. Alur Ekstrasi Fitur 4.2.3.1 Mencari Nilai Rata-Rata Citra Hasil perhitungan nilai rata-rata citra dapat dilihat pada tabel 2. Tabel 2. Nilai dan Hasil Penjumlahan Data x
C
123928,36 1251,80161 6 100 1
4.2.3.4 Menentukan Eigen Vector dan Eigen Value Hasil perhitungan nilai kovarian dimaksudkan untuk mencari nilai eigenvector dan eigenvalue, sehingga dapat diperoleh fitur-fitur utama dari citra tangan.
5558 55.58 100 Berdasarkan Tabel, maka dapat dihitung rata-rata nilai x ke 1 sampai 100 menjadi µ adalah 55.58, setelah nilai ratarata diketahui langkah selajutnya adalah menggandakan nilai rata-rata menjadi 100 kali.
i
EigenVector = 1251,801616 dan EigenValue=1
4.2.3.2 Menghitung Zero Mean 5
4.2.3.5 Hasil Vektor PCA Vektor Hasil PCA digunakan sebagai pola matrik untuk pelatihan. pola tersebut disimpan dalam bentuk Ms. Excel. Data hasil principal component analysis digunakan untuk input pelatihan jaringan syaraf tiruan (artificial neural network) Backpropagation.
melalui tahap pembelajaran. Citra gambar akan dimasukan untuk menguji akurasi pengenalan jaringan terhadap citra yang telah melalui pelatihan. Data citra yang digunakan sebagai data uji pada cahaya normal yaitu a3 – z3 sedangkan data citra yang digunakan sebagai data uji pada cahaya kurang yaitu a6-z6.
Tabel 5. Vektor Hasil PCA
4.3 Tahap Perancangan Sistem . Tahapan perancangan sistem merupakan tahapan yang terdiri dari tahap perancangan sistem secara umum dan tahap perancangan secara detail.
4.2.4 Pelatihan Jaringan Syaraf Tiruan (Artificial Neural Network) Backpropagation Tahap analisis pelatihan jaringan syaraf tiruan (Artificial Neural Network) Backpropagation merupakan suatu tahap pembelajaran jaringan syaraf, pada tahap pelatihan jaringan dimasukkan vektor hasil ekstrasi fitur principal component analysis sehingga menjadi set pelatihan. Set pelatihan yang berupa vektor input yang diasosiasikan dengan output pelatihan yaitu target. Tabel 6. Set Karakter huruf dengan Target Pelatihan
4.3.1 Tahap Perancangan Sistem Secara Umum 4.3.1.1 Struktur Navigasi Struktur Navigasi pada Aplikasi Identifikasi Kode Tangan dimulai dari menu utama, kemudian menu modul dan menu keluar dari aplikasi. Menu modul terdiri dari sub menu identifikasi gerak tangan cahaya normal dan identifikasi gerak tangan cahaya kurang. Struktur navigasi dapat dilihat pada gambar 6. Menu Utama
Modul
Keluar
Identifikasi Kode Tangan Pada Cahaya Normal
Identifikasi Kode Tangan Pada Cahaya Kurang
Gambar 6. Struktur Navigasi 4.3.1.2 Flowchart Sistem Flowchart sistem merupakan alur dari simbol-simbol yang digunakan untuk menggambarkan proses kerja aplikasi identifikasi kode tangan.
4.2.5 Pengujian Jaringan Syaraf Tiruan (Artificial Neural Network) Backpropagation Tahap analisis pengujian jaringan syaraf tiruan (Artificial Neural Network) Backpropagation merupakan suatu tahap pengujian jaringan syaraf yang telah 6
Start
Modul
Keluar IDENTIFIKASI KODE TANGAN PADA CAHAYA NORMAL
Menu Utama
Browse Picture A
1. Modul 2. Keluar
Browse Picture LOGO
Principal Component Analysis Keluar
Modul
Ekstrasi Fitur PCA
CITRA GAMBAR
--------Choose-----------
End
Testing Testing
1. Identifikasi Kode Tangan Pada Cahaya Normal 2. Identifikasi Kode Tangan Pada Cahaya Kurang
Backpropagation Start Training Identifikasi Kode Tangan Pada Cahaya Kurang
Identifikasi Kode Tangan PadaCahaya Normal
NAMA FILE
1. Ekstrasi Fitur PCA 2. Start Training 3. Save Training 4. Testing
1. Ekstrasi Fitur PCA 2. Start Training 3. Save Training 4. Testing
Gambar 9. Perancangan Modul Identifikasi Kode Tangan Pada Cahaya Normal
DB
A
Gambar 7. Flowchart Sistem
4.3.2.3 Perancangan Modul Idntifikasi Kode Tangan Pada Cahaya Kurang Perancangan modul identifikasi Kode tangan pada cahaya kurang merupakan halaman interface untuk mengambil gambar citra, ekstrasi fitur menggunakan PCA, pemberian label citra, melakukan pelatihan, menyimpan hasil pelatihan, dan testing atau pengujian hasil pelatihan jaringan. Perancangan modul identifikasi kode tangan cahaya kurang dapat dilihat pada gambar 10.
4.3.2 Tahap Peracangan Sistem Secara Detail Perancangann sistem secara detail merupakan perancangan antar muka / form-form desain interface yang berfungsi untuk menjelaskan fungsi-fungsi dari aplikasi identifikasi gerakan tangan dalam bahasa isyarat. 4.3.2.1 Perancangan Menu Utama Rancangan Menu Utama merupakan rancangan yang keluar pertama kali ketika user masuk kedalam aplikasi.. Perancangan menu utama dapat dilihat pada gambar 8. Modul
Save Training
Modul
Keluar IDENTIFIKASI KODE TANGAN PADA CAHAYA KURANG
Browse Picture Browse Picture LOGO
Principal Component Analysis CITRA GAMBAR
Ekstrasi Fitur PCA --------Choose-----------
Testing Testing
Backpropagation
Keluar
Start Training NAMA FILE
Save Training
SISTEM IDENTIFIKASI KODE TANGAN MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN BACKRPOPAGATION
Gambar 10. Perancangan Modul Identifikasi Kode Tangan Pada Cahaya Kurang
LOGO
HOLISAH 065111187
PROGRAM STUDI ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PAKUAN 2015
Gambar 8. Perancangan Menu Utama
4.4 Tahap Implementasi Tahap implementasi merupakan tahap pembangunan sistem seluruh obyek yang telah dirancang sehingga menjadi sebuah aplikasi yang dapat digunakan. sistem identifikasi kode tangan menggunakan dan Backpropagation menggunakan Matlab 2010a.
4.3.2.2 Perancangan Modul Identifikasi Kode Tangan Pada Cahaya Normal Perancangan modul identifikasi kode tangan pada cahaya normal merupakan halaman interface untuk mengambil gambar citra, ekstrasi fitur menggunakan PCA, pemberian label citra, melakukan pelatihan, menyimpan hasil pelatihan, dan testing atau pengujian jaringan. Perancangan modul identifikasi kode tangan pada cahaya normal dapat dilihat pada gambar 9.
4.4.1 Implementasi Sistem
7
Implementasi sistem menggunakan Matlab 2010a. Tampilan membuat sistem dapat dilihat pada gambar 11.
Gambar 14. Identifikasi Kode Tangan Pada Cahaya Kurang Gambar 11. Tampilan Membuat Sistem
5.1.1 Pengambilan Gambar Proses pengambilan gambar dalam bentuk *.jpg terlihat pada Gambar 15 dan gambar 16.
5. HASIL DAN PEMBAHASAN 5.1 Hasil Hasil yang didapat dari implementasi identifikasi menggunakan Principal Component Analysis dan Backpropagation pada penerapan identifikasi kode tangan meliputi 2 menu yaitu : menu modul dan menu keluar. Berikut halaman utama pada Gambar 12. Menu modul mempunyai 2 sub menu yaitu: Identifikasi gerak tangan cahaya normal terlihat pada gambar 13 dan identifikasi kode tangan cahaya kurang terlihat pada gambar 14.
Gambar 15. Pengambilan Gambar Identifikasi Kode Tangan Cahaya Normal
Gambar 16. Pengambilan Gambar Identifikasi Kode Tangan Pada Cahaya Kurang 5.1.2 Ekstrasi Fitur Principal Component Analysis Gambar citra tangan yang telah di upload selanjutkan akan melalui tahap ekstrasi fitur principal component analysis dan menentukan target karakter dari gambar citra tangan tersebut. Proses PCA dan penentuan target dapat dilihat pada gambar 17 dan gambar 18.
Gambar 12. Halaman Utama.
Gambar 13. Identifikasi Kode Tangan Pada Cahaya Normal. 8
Sehingga akan diketahui informasi mengenai akurasi antara data yang telah di latih dengan data uji coba. Tahap pengujian dapat dilhat pada gambar 21 dan gambar 22. Gambar 17. Ekstrasi Fitur Identifikasi Kode Tangan Pada Cahaya Normal
Gambar 21. Tahap Pengujian Identifikasi Kode Tangan Pada Cahaya Normal
Gambar 18. Ekstrasi Fitur Identifikasi Kode Tangan Pada Cahaya Kurang Ekstrasi fitur PCA menghasilkan vektor dengan ukuran 1 x 100 yang akan disimpan kedalam Ms. Excel. terlihat hasil penyimpanan pada Gambar 19.
Gambar 22. Tahap Pengujian Identifikasi Kode Tangan Pada Cahaya Kurang 5.2. Pembahasan Pada penelitian ini identifikasi kode tangan dilakukan tahap akuisis citra menggunakan tangan kanan sebagai sample penelitian dan latar belakang warna hitam. Citra tangan yang digunakan pada penelitian ini sebanyak 156 data yang dibagi menjadi 2 bagian yaitu cahaya normal dan cahaya kurang. Data untuk cahaya normal yaitu data latih 2x26=52 dan 1x26=26 sedangkan data untuk cahaya kurang yaitu 2x26=52 dan 1x26=26. Hasil uji coba validasi menghasilkan pengujian identifikasi gerakan tangan pada cahaya normal menghasilkan akurasi mencapai 84,6%, sedangkan hasil uji coba pada cahaya kurang menghasilkan akurasi sebesar 73%. Kekurangan dari sistem identifikasi kode tangan ini tidak menggunakan kontras sehingga tidak dapat diketahui perbedaan nilai citra tangan pada cahaya normal dan cahaya kurang.
Gambar 19. Penyimpanan pada Ms. Excel. 5.1.3 Pelatihan Jaringan Syaraf Tiruan (Artificial Neural Network) Backpropagation Data citra ekstrasi fitur Principal Component Analysis yang telah disimpan dapat melakukan tahap pelatihan dengan menggunakan metode Artificial Neural Network Backproagation. Contoh Proses pelatihan data dilihat pada gambar 20.
Gambar 20. Tahap pelatihan 5.1.4 Pengujian Jaringan Syaraf Tiruan (Artificial Neural Network) Backpropagation Proses pengujian berupa input gambar yang akan dibandingkan dengan data yang telah melalui tahap pelatihan, 9
semua link sudah dapat berfungsi dengan baik.
5.3 Tahap Uji Coba Tahap uji coba adalah tahap untuk mencoba sistem yang telah dibuat apakah sudah layak untuk digunakan atau belum.
3. Uji Coba Validasi Uji validasi pengujian identifikasi kode tangan dilakukan dengan cara membandingkan target yang diberikan pada setiap masing-masing kode tangan dengan hasil yang didapat dari program. persamaan 6. ........(6)
1. Uji Coba Struktural Uji coba struktural adalah uji coba yang dilakukan pada saat pembuatan Identifikasi Kode Tangan dan memastikan kinerja dari sistem yang dibuat. Hasil uji coba Struktural pengenalan karakter ditampilkan pada tabel 7.
Tabel 9. Hasil Uji Coba Pengujian (Cahaya Normal)
Tabel 7.Tabel Uji Struktural
Pengujian identifikasi kode tangan pada cahaya normal menghasilkan akurasi mencapai 84,6%. Pengujian yang dihasilkan pada cahaya normal menghasilkan akurasi yang sangat baik. Tabel 10. Uji Coba Pengujian (Cahaya Kurang)
Hasil pengujian struktural yang dilakukan pada setiap form/halaman, telah terbukti bahwa halaman program tersebut sudah dapat dijalankan. Semua tampilan form/halaman juga sudah sesuai dengan perancangan yang dibuat pada tahap perancangan 2. Uji Coba Fungsional Uji coba fungsional merupakan tahap uji coba yang bertujuan untuk mengetahui apakah bagian dari proses sistem informasi berjalan sesuai dengan fungsi masing-masing. Hasil uji coba fungsional identifikasi gerakan tangan ditampilkan pada tabel 8. Tabel 8.Tabel Uji Fungsional
Pengujian identifikasi kode tangan pada cahaya kurang menghasilkan akurasi mencapai 73%. Pengujian yang dihasilkan pada citra yang diambil cahaya normal menghasilkan akurasi yang lebih baik dari citra yang diambil pada cahaya kurang.
Hasil pengujian fungsional yang dilakukan pada setiap link di halaman aplikasi identifikasi gerakan tangan dalam bahasa isyarat ini, telah terbukti bahwa
6.Kesimpulan 6.1 Kesimpulan 10
Kesimpulan yang bisa diambil dari implementasi Identifikasi Kode Tangan yaitu Sistem Identifikasi Kode Tangan ini berbasis desktop. Sistem ini menggunakan metode Principal Component Analysis sebagai ekstrasi fitur dan jaringan syaraf tiruan (Artificial Neural Network) Backpropagation. Aplikasi ini telah melalui tahap proses validasi atau uji coba, yaitu uji coba struktural, uji coba fungsional dan uji coba validasi. Uji coba pengujian yang dilakukan dengan gambar tangan yang dihasilkan pada cahaya normal menghasilkan akurasi mencapai 84,6% sedangkan akurasi pada cahaya kurang menghasilkan akurasi mencapai 73%. Pengenalan untuk setiap gambar gerakan tangan yang di uji bergantung pada cahaya gambar gerakan tangan yang telah melalui tahap pelatihan, gambar pada cahaya normal menghasilkan akurasi yang lebih tinggi dari gambar cahaya kurang, apabila gambar gerakan tangan yang di uji tersebut mirip atau mendekati target dengan salah satu gambar gerakan tangan yang telah dilatih, maka akurasi pengenalan dalam uji coba akan menghasilkan nilai yang tinggi.
Haenudin. 2013. Pendidikan Anak Berkebutuhan Khusus Tunarungu. Luxima Metro Media, Jakarta. Iqbal et al. 2011. Pengenalan Bahasa Isyarat Indonesia Berbasis Sensor Accelerometer dan Sensor Flex Menggunakan Dynamic Time Warping. Jurusan Teknik Elektro Institut Teknologi Surabaya, Surabaya. Kaswidjanti et al. 2013. Analisis dan Perancangan Jaringan Saraf Tiruan dengan Metode Backpropagation Pada Aplikasi Pengenalan Tanda Tangan. Jurusan Teknik Informatika Universitas Pembangunan Nasional Veteran, Yogyakarta. Kurniawan dan Harjoko. 2011. Pengenalan Bahasa Isyarat dengan Metode Segmentasi Warna kulit dan Center of Gravity. Jurusan PMIPA, Ilmu komputer dan Elektronika Universitas Gadjah Mada, Yogyakarta. Kusumadewi, S. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan Matlab & Excel Link. Graha Ilmu, Yogyakarta. Purnomo dan Muntasa. 2010 . Konsep Pengolahan Citra Digital dan Ekstrasi Fitur. Graha Ilmu, Yogyakarta. Puspitaningrum, D. 2006. Pengantar Jaringan Saraf Tiruan. Andi, Yogyakarta. Sutoyo et al. 2009 . Teori Pengolahan Citra Digital. Andi, Yogyakarta. Sutoyo et al. 2011. Kecerdasan Buatan. Andi, Yogyakarta. Utami dan Wulanningrum. 2014. Penggunaan Principal Component Analysis dan Euclidean Distance untuk Identifikasi Citra Tanda Tangan. Vol. 16 No.1:1-16. Widodo dan Handayanto. 2012. Penerapan Soft Computing dengan Matlab. Informatika, Bandung.
6.2 Saran Saran pada penelitian ini adalah proses ekstrasi fitur dapat menggunakan metode wavelet dan dapat disempurnakan dengan menggunakan beberapa metode pemrosesan citra yang lain seperti treshold, kontras, histogram, segmentasi dan normalisasi untuk menghasilkan akurasi yang lebih baik. DAFTAR PUSTAKA Fadlisyah dan Rizal. 2011 . Pemrograman Computer Vision pada Video Menggunakan Delphi+Vision Lab VCL 4.0.1. Graha Ilmu, Yogyakarta. 11
