Pengujian Aplikasi Pengenalan Penulisan Tangan Menggunakan Model Behaviour Use Case

Muhammad Thoriqul Hafidz¹, Zaid Husaini², Marcellino Jonathan Bulegalangi³, Nur Ayu Apriyanti⁴, Aries Saifudin⁵

Teknik Informatika, Universitas Pamulang, Tangerang Selatan, Indonesia

E-mail: ¹[email protected], ²[email protected], [email protected], [email protected], ⁵[email protected]

Abstrak

Pengujian aplikasi pengenalan tulisan tangan pada model behavior use case menjadi langkah kritis dalam memastikan kinerja dan kehandalan sistem. Penelitian ini bertujuan untuk mengevaluasi respons dan akurasi model dalam mengenali tulisan tangan pada skenario penggunaan tertentu.

Metode pengujian melibatkan penyusunan dataset representatif yang mencakup variasi gaya tulisan dan kondisi lingkungan. Pengujian dilakukan dengan menggunakan use case yang memodelkan perilaku pengguna dalam situasi sehari-hari, seperti menulis catatan atau mengisi formulir.

Parameter yang diukur melibatkan tingkat akurasi pengenalan, waktu respons sistem, dan kinerja pada skenario penggunaan khusus. Uji keandalan juga dilakukan dengan memasukkan variabel seperti perubahan cahaya, kecepatan tulisan, dan variasi gaya tulisan.

Hasil pengujian memberikan wawasan mendalam terkait kehandalan model dalam menanggapi variasi penggunaan nyata. Analisis dilakukan untuk mengidentifikasi potensi perbaikan dan peningkatan kinerja model. Penelitian ini memberikan kontribusi pada pemahaman praktis tentang efektivitas aplikasi pengenalan tulisan tangan dalam konteks penggunaan spesifik dan memandu pengembangan selanjutnya untuk meningkatkan kualitas layanan.

Abstract

Testing the handwriting recognition application on the behavior use case model is a critical step in ensuring system performance and reliability. This research aims to evaluate the model’s response and accuracy in recognizing handwriting in specific usage scenarios.

The testing method involves compiling a representative dataset that includes variations in writing styles and environmental conditions. Testing is conducted using use cases that model user behavior in everyday situations, such as taking notes or filling out forms.

Measured parameters include the accuracy of recognition, system response time, and performance in specific usage scenarios. Reliability tests are also conducted by introducing variables such as changes in light, writing speed, and variations in handwriting styles.

The test results provide in-depth insights into the model’s reliability in responding to real-world usage variations. Analysis is performed to identify potential improvements and enhance model performance. This research contributes to a practical understanding of the effectiveness of handwriting recognition applications in specific usage contexts and guides further development to improve service quality.

1. PENDAHULUAN

Pengenalan tulisan tangan telah menjadi bagian integral dari aplikasi modern, membuka pintu untuk pengalaman pengguna yang lebih intuitif. Dalam konteks ini, pengujian aplikasi pengenalan tulisan tangan pada model behavior use case menjadi esensial untuk menjamin keandalan dan performa sistem.

Penelitian ini bertujuan untuk menyelidiki sejauh mana model dapat merespons dan mengenali tulisan tangan pengguna dalam situasi penggunaan tertentu. Pendekatan ini diarahkan untuk menciptakan lingkungan pengujian yang mencerminkan kehidupan nyata, di mana pengguna dapat menggunakan aplikasi ini sehari-hari untuk aktivitas seperti menulis catatan atau mengisi formulir.

Dengan menggabungkan variasi gaya tulisan dan kondisi lingkungan dalam dataset, pengujian ini melibatkan parameter seperti tingkat akurasi pengenalan, waktu respons sistem, dan kinerja dalam skenario penggunaan khusus. Uji keandalan juga mencakup pengujian terhadap variabel-variabel yang dapat mempengaruhi kinerja, seperti perubahan cahaya, kecepatan tulisan, dan variasi gaya tulisan.

Tujuan pengujian ini bertujuan untuk mengevaluasi keberhasilan dan kinerja aplikasi pengenalan penulisan tangan dalam konteks penggunaan praktis.Mempertimbangkan aspek-aspek kunci,termasuk akurasi pengenalan,respons terhadap berbagai gaya penulisan,dan kemampuan aplikasi dalam mengatasi situasi penggunaan yang umum.

Manfaat pengujian ini diharapkan dapat memberikan pemahaman mendalam tentang kualitas dan keandalan aplikasi pengenalan penulisan tangan.Hasil dari pengujian ini akan menjadi dasar untuk pembaruan dan perbaikan selanjutnya,serta memberikan informasi yang berharga bagi pengembang,pemangku,dan pengguna akhir.

Model Behaviour Use Case, model ini digunakan sebagai kerangka kerja untuk merinci skenario penggunaan yang mencakup langkah-langkah interaksi antara pengguna dan aplikasi.Dengan adanya model behaviour use case,diharapkan dapat tercapai pemahaman yang lebih mendalam tentang bagaimana aplikasi seharusnya berprilaku dalam situasi.

Struktur laporan pengujian ini akan terdiri dari beberapa tahap,termasuk persiapan data uji,implementasi aplikasi,pengujian fungsional dan performa,analisis kesalahan,serta rekomendasi perbaikan.Setiap tahap pengujian akan dijelaskan dengan rinci untuk memberikan gambaran yang lengkap tentang kualitas dan kinerja aplikasi.

Harapan dari pengujian melibatkan metode pengujian menggunakan model behaviour use case, diharapkan aplikasi pengenalan penulisan tangan ini dapat memberikan layanan yang dapat diandalkan dan responsif,tidak hanya dalam situasi idela tetapi juga dalam berbagai kondisi penggunaan nyata.

2. METODE PENELITIAN

Metode penelitian pengujian aplikasi pengenalan tulisan tangan pada model behavior use case melibatkan serangkaian langkah sistematis untuk mengevaluasi kinerja aplikasi. Berikut adalah gambaran umum dari metode penelitian tersebut:

1. Perumusan Tujuan Penelitian:

Tentukan tujuan penelitian yang jelas, seperti mengevaluasi akurasi pengenalan tulisan tangan, respons sistem, dan kinerja pada skenario penggunaan khusus.

2. Penyusunan Dataset:

Kumpulkan dataset representatif yang mencakup variasi gaya tulisan dan kondisi ling  kungan. Pastikan dataset mencerminkan situasi penggunaan sehari-hari.

3. Identifikasi Kriteria Pengujian:

Tentukan kriteria pengujian, termasuk parameter seperti tingkat akurasi, waktu respons, dan keandalan sistem dalam mengatasi variasi kondisi.

4. Penetapan Use Case Model:

Pilih use case model yang mencerminkan perilaku pengguna dalam situasi nyata,     sep erti menulis catatan atau mengisi formulir.

5. Implementasi Pengujian:

Terapkan pengujian dengan menggunakan dataset pada aplikasi pengenalan tulisan tangan. Rekam data terkait akurasi dan respons sistem.

6. Pengukuran dan Analisis:

Hitung tingkat akurasi, waktu respons, dan kinerja sistem. Lakukan analisis terhadap hasil pengujian untuk mengidentifikasi kekuatan dan kelemahan model.

7. Uji Keandalan:

Masukkan variabel seperti perubahan cahaya, kecepatan tulisan, dan variasi gaya tulisan untuk menguji keandalan aplikasi dalam kondisi yang beragam.

8. Validasi Hasil:

Validasi hasil pengujian dengan membandingkan performa aplikasi dengan ekspektasi dan kebutuhan pengguna.

9. Interpretasi dan Kesimpulan:

Terjemahkan hasil pengujian menjadi kesimpulan yang memberikan wawasan tentang kinerja aplikasi. Identifikasi area perbaikan dan rekomendasi pengembangan.

10. Metode ini memberikan pendekatan holistik untuk memastikan bahwa pengujian aplikasi pengenalan tulisan tangan dilakukan secara teliti dan memberikan pemahaman yang mendalam tentang kinerja model dalam situasi penggunaan nyata.

11. Analisis kesalahan yang mungkin terjadi pada pengenalan penulisan tangan.

12. Optimasi lakukan optimasi pada model atau algoritma pengenalan penulisan tangan  berdasarkan temuan dari pengujian.

Untuk membahas hasil pengujian aplikasi pengenalan tulisan tangan dengan model perilaku kasus penggunaan (behavior use case), pertama-tama, kita perlu mengevaluasi performa model tersebut. Beberapa poin diantaranya.

Akurasi Pengenalan Tulisan Tangan: Tinjau sejauh mana model mampu mengenali tulisan tangan dengan benar. Apakah terdapat kasus di mana model memberikan hasil yang keliru?

Kecepatan dan Responsivitas: Evaluasi kecepatan respons aplikasi dalam mengenali tulisan tangan. Seberapa cepat model dapat memberikan output setelah menerima input tulisan?

Skalabilitas: Pertimbangkan apakah model dapat menangani variasi ukuran dan gaya tulisan tangan. Apakah performanya konsisten saat diuji dengan berbagai jenis tulisan?

Kasus Uji Khusus: Bahas hasil pada kasus uji khusus, seperti tulisan tangan dengan tinta yang buram, variasi dalam sudut tulisan, atau situasi cahaya yang berbeda.

Ketahanan terhadap Kegagalan: Diskusikan apakah model mampu menangani kegagalan atau noise dalam input, seperti coretan tambahan atau elemen yang tidak terkait.

Peningkatan Kinerja: Jika ada cacat atau area untuk perbaikan, jelaskan langkah-langkah yang dapat diambil untuk meningkatkan kinerja model.

Feedback Pengguna: Apakah ada umpan balik dari pengguna selama pengujian? Pertimbangkan untuk mencakup reaksi dan pandangan mereka terhadap pengalaman menggunakan aplikasi.

Keamanan dan Privasi: Jelaskan langkah-langkah yang diambil untuk memastikan keamanan dan privasi data tulisan tangan pengguna.
Optimasi lakukan optimasi pada model atau algoritma pengenalan penulisan tangan berdasarkan temuan dari pengujian.
Dokumentasi Hasil laporan penelitian yang mencakup deskripsi metodologi,hasil pengujian,analisis kesalahan,dan rekomendasi.
Validasi oleh pihak ketiga, jika memungkinkan mintalah validasi oleh pihak ketiga atau pengguna potensial untuk mendapatkan pandangan dari perspektif pengguna sebenarnya.

Jika hasil yang dipublikasikan sesuai dengan harapan maka kesimpulan Approved dan jika hasil yang dipublikasikan tidak sesuai dengan harapan maka hasil tersebut dibuang.Metode penelitian ini dapat disesuaikan dengan kebutuhan lingkungan spesifik aplikasi pengenalan penulisan tangan yang dikembangkan sehingga meningkatkan kualitas aplikasi.

Berikut ini adalah Foto interface aplikasi pengenalan Penulisan Tangan.

Foto 1. Interface Menu Utama
Foto 2 menunjukkan hasil implementasi interface perangkat lunak untuk menu pelatihan.

Foto 2.  Interface Menu Pelatihan.
Foto 3 menunjukkan hasil implementasi interface perangkat lunak untuk menu pengujian.

Foto 3. Interface Menu Pengujian.

3. HASIL DAN PEMBAHASAN

3.1 Model Diagram Use Case

Diagram use case merupakan representasi grafis dari use case atau skenario penggunaan dalam suatu sistem.Diagram ini membantu dalam pemahaman dan komunikasi mengenai fungsionalitas sistem serta interaksi antara aktor (entitas yang berinterkasi dengan sistem) dan use case (fungsi atau aktivitas sistem) Diagram use case dapat dilihat pada Foto 4.

PENGUJIAN

Foto 4.  Diagram Use Case

3.2 Skenario Use Case

Skenario use case adalah deskripsi naratif atau rangkaian langkah-langkah yang menjelaskan bagaimana suatu sistem atau aplikasi digunakan dalam suatu situasi tertentu.Skenario use case mencakup interaksi antara aktor (pengguna dan sistem eksternal lainnya) dan sistem untuk mencapai suatu tujuan tertentu.Berikut ini adalah skenario dari use case yang telah didefinisikan sebagai berikut:

Rotasi Gambar:

Deskripsi: Pengguna mengambil gambar dengan sudut yang miring atau terbalik.
Proses Pra-Pengolahan: Aplikasi melakukan otomatisasi rotasi gambar sehingga teks tulisan tangan berada dalam orientasi yang benar.
Tujuan: Memastikan bahwa model mampu mengenali tulisan tangan pada gambar yang memiliki rotasi.

Normalisasi Warna dan Kontras:
Deskripsi: Pengguna mengambil gambar dalam kondisi pencahayaan yang berbeda.
Proses Pra-Pengolahan: Aplikasi melakukan normalisasi warna dan kontras pada gambar.
Tujuan: Menguji kemampuan model dalam mengenali tulisan tangan pada gambar dengan kondisi pencahayaan yang bervariasi.

Penghapusan Noise:
Deskripsi: Gambar yang diambil memiliki noise atau gangguan visual.
Proses Pra-Pengolahan: Aplikasi melakukan penghapusan noise atau filter untuk membersihkan gambar.
Tujuan: Menguji ketahanan model terhadap gambar dengan noise dan meningkatkan akurasi pengenalan.

Deteksi dan Cropping Teks:

Deskripsi: Gambar yang diambil mungkin berisi teks dan elemen visual lainnya.
Proses Pra-Pengolahan: Aplikasi mendeteksi dan memotong hanya bagian gambar yang berisi tulisan tangan.
Tujuan: Memastikan bahwa model hanya mengenali teks tulisan tangan yang relevan.

Resolusi Gambar:
Deskripsi: Pengguna mengambil gambar dengan resolusi yang rendah.
Proses Pra-Pengolahan: Aplikasi meningkatkan resolusi gambar secara otomatis.
Tujuan: Menilai kemampuan model dalam mengenali tulisan tangan pada gambar dengan resolusi rendah.

Pencarian dan Identifikasi Wilayah Teks:
Deskripsi: Gambar mungkin berisi lebih dari satu wilayah teks tulisan tangan.
Proses Pra-Pengolahan: Aplikasi mengidentifikasi dan menandai wilayah teks untuk pengenalan.
Tujuan: Menguji kemampuan model dalam mengenali teks tulisan tangan pada gambar dengan beberapa wilayah teks.
Setelah melalui pra-pengolahan gambar, model seharusnya lebih siap untuk melakukan pengenalan tulisan tangan dengan akurasi yang lebih baik.

Input Gambar dengan Teks dan Latar Belakang:
Deskripsi: Pengguna mengambil gambar yang berisi teks tulisan tangan dan elemen latar belakang atau objek lainnya.
Proses Pra-Pengolahan: Aplikasi melakukan deteksi teks dan memotong hanya wilayah yang berisi tulisan tangan.
Tujuan: Menilai kemampuan model dalam mengidentifikasi dan mengelola wilayah yang relevan pada gambar.

Pengambilan Gambar dengan Teks yang Tumpang Tindih:
Deskripsi: Teks tulisan tangan mungkin tumpang tindih dengan elemen lain pada gambar.
Proses Pra-Pengolahan: Aplikasi melakukan deteksi teks dan memastikan bahwa teks yang tumpang tindih dikenali dengan benar.
Tujuan: Menguji kemampuan model untuk mengatasi tumpang tindih teks.

Deteksi dan Penanganan Teks di Berbagai Ukuran:
Deskripsi: Gambar mungkin berisi teks dengan ukuran yang bervariasi.
Proses Pra-Pengolahan: Aplikasi mendeteksi dan mengelola teks dalam berbagai ukuran dengan benar.
Tujuan: Memastikan model dapat menangani variasi ukuran tulisan tangan.

Koreksi Rotasi Teks:
Deskripsi: Pengguna mengambil gambar dengan teks tulisan tangan yang miring.
Proses Pra-Pengolahan: Aplikasi secara otomatis mengkoreksi rotasi teks sehingga tulisan tangan berada pada orientasi yang benar.
Tujuan: Menilai kemampuan model untuk mengenali dan menangani rotasi teks.

Teks yang Terpotong Sebagian:
Deskripsi: Teks tulisan tangan mungkin terpotong sebagian pada gambar.
Proses Pra-Pengolahan: Aplikasi mencoba mengidentifikasi dan mengenali teks yang terpotong dengan baik.
Tujuan: Menguji kemampuan model dalam menangani teks yang tidak lengkap.

Pendeteksian dan Penanganan Teks pada Gambar Berwarna:
Deskripsi: Gambar berwarna dapat mempersulit deteksi dan pengenalan teks.
Proses Pra-Pengolahan: Aplikasi memproses gambar berwarna untuk meningkatkan deteksi dan pengenalan teks tulisan tangan.
Tujuan: Menguji kinerja model pada gambar dengan skala warna yang bervariasi.

Setelah melalui skenario-skenario ini, evaluasi apakah model mampu secara efektif mengenali dan memproses teks tulisan tangan pada gambar yang telah mengalami pra-pengolahan. Pastikan hasilnya sesuai dengan harapan dan memenuhi kebutuhan pengguna aplikasi.

1. Skenario Use case Pra-pengolahan Gambar Penulisan Tangan

Pada bagian ini menjelaskan tentang skenario use case pra-pengolahan dapat dilihat pada

Tabel 1.

Tabel 1. Skenario Use Case Pra-Pengolahan Gambar Penulisan Tangan

No.	001
Nama Use case	Pra-pengolahan.
Aktor	–
Tujuan	Menyiapkan Foto yang ingin di proses, digunakan untuk penngetahuan dan .pengnalan
Deskripsi	Use case ini digunakan untuk melakukan proses binerisasi dari tulisan tangan    yang    telah    diakuisisi    untuk    mengurangi    noise    dan menstandarisasi suatu Foto.
Kondisi Awal	Sistem sudah aktif
Kondisi Akhir	Penulisan Tangan telah akif dengan normal.
Skenario Utama
Aktor		Sistem
Skenario Normal
		1.   Menemukan posisi pixel Penulisan Tangan
		2.   Melakukan     operasi     perubahan     Foto
		binerisasi   berdasarkan   data   tulisan   tangan yang dipilih

 

2. Skenario Use case Ekstraksi Ciri Gambar Penulisan Tangan

Pada bagian ini menjelaskan tentang skenario use case ekstraksi ciri dapat dilihat pada Tabel

Tabel 2. Skenario Use Case Ekstraksi Ciri Gambar Penulisan Tangan

No.	002
Nama Use case	Ekstraksi ciri.
Aktor	–
Tujuan	Memindahkan Foto yang sudah disimpan di dalam file
Deskripsi	Use case digunankan untuk memindahkan Foto yang sudah disimpan untuk mendapatkan fitur sebagai masukan.
Kondisi Awal	Penulisan Tangan yang sudah discan.
Kondisi Akhir	Data hasil pindahan ciri telah diperoleh dan disimpan didalam file
Skenario Utama
Aktor		Sistem
Skenario Normal
		1.   Mengambil nilai—nilai piksel
		2.   Melakukan  perhitungan  nilai  fitur  dengan nilai simpanan ciri
		3.   Melakukan   perhitungan   titik   pusat   pada Penulisan tangan
		4.   Melakukan perhitungan moment pusat pada penulisan tangan

3. Skenario Use case Pelatihan Gambar Penulisan Tangan

Skenario use case merupakan dekripsi naratif  atau rangkaian langkah-langkah yang menjelaskan cara suatu sistem atau aplikasi berinteraksi dengan aktor (pengguna atau sistem eksternal lainnya) untuk mencapai suatu tujuan tertentu.dapat dilihat pada Tabel 3.

Tabel 3. Skenario Use Case Pelatihan Ciri Gambar Penulisan Tangan

No.	003
Nama Use case	Melatih Gambar Penulisan Tangan.
Aktor	User.
Tujuan	Mempelajari setiap Penulisan Tangan yang akan dikenali.
Deskripsi	Use  case  ini  digunakan  untuk  melakukan  pelatihan  dengan  Self Organizing Maps.
Kondisi Awal	Sistem telah berjalan.
Kondisi Akhir	Gambar Penulisan Tangan telah dilatih.
Skenario Utama
Aktor				Sistem
Skenario Normal
1.  User	menekan		Icon
Training
				2.	Menampilkan form Training
3.  User  menekan  icon  Open
Image
				4.	Menampilkan kotak dialog open
5.  User   memilih		gambar	tulisan
tangan    data	primer	atau    data
Sekunder
6.  User  memberi  nama  cluster
pada data yang akan di training
				7.	Menampilkan   path   dan   gambar tangan yang akan di training		tulisan
8.  User	menekan		Icon
Training
				9.	Menginisialisasi nilai-nilai masukan
10.Menginisalisasi bobot dengan nilai acak				11.  Menghitung keluaran nilai output dengan menggunakan euclidean distance  untuk mencari nilai terkecil sebagai pemenang
12.Memperbarui nilai pemenang dan nii	Dan nilai tetangga	tetangga
				13.  Melakukan  ulang  proses  penghitungan euclidean distance hingga epoch tercapai
				14. Jika   nilai   iterasi   (epoch)   tercapai maka proses training selesai
16. User	menekan		Icon	15. Menampilkan alert Train Finished!

simpan bobot
	17. Menampilkan    alert	Bobot	Hasil
	Training disimpan!

4. Skenario Use case Testing Gambar Penulisan Tangan

Skenario use case testing ini mengacu pada serangkaian langkah atau kejadian yang digambarkan secara rinci untuk menguji fungsionalitas suatu sistem berdasarkan skenario penggunaan atau use case tertentu.

Pada bagian ini menjelaskan tentang skenario use case pengujian gambar Penulisan Tangan dapat dilihat pada Tabel 4.

Tabel 4. Skenario Use Case Testing Gambar Penulisan Tangan

No.	004
Nama Use case	Mengenali gambar Penulisan Tangan.
Aktor	User.
Tujuan	Mengenali Penulisan Tangan.
Deskripsi	Use case ini digunakan untuk mengenali Penulisan Tangan angka yang diuji pada sistem.
Kondisi Awal	Gambar Penulisan Tangan angka belum dikenali sistem.
Kondisi Akhir	Gambar Penulisan Tangan angka sudah dikenali sistem.
Skenario Utama
Aktor			Sistem
Skenario Normal
1.   User	menekan   icon
Testing
3.   User	memilih	gambar	2.   Menampilkan kotak dialog open
tulisan    tangan    yang		akan
Ditesting
4.   User	menekan   icon
Testing
			5.   Melakukan           pengenalan           dan
			menampilkan gambar Penulisan Tangan angka dikenali

 

Identifikasi pengujian pada aplikasi dari usecase diagram diuraikan pada Tabel 5, Tabel

6, Tabel 7, dan Tabel 8.

Tabel 5. Identifikasi Pengujian Use Case Pra-Pengolahan Gambar Penulisan Tangan

No.	Identifikasi	Pengujian
1.	P-1-101	Pemrosesan tanpa Foto
2	P-1-102	Pemrosesan dengan Foto
3.	P-1-103	Pemrosesan Foto dengan ekstensi bukan BMP

 

Tabel 6. Identifikasi Pengujian Use Case Ekstraksi Fitur Gambar Penulisan Tangan

No.	Identifikasi	Pengujian
1.	P-2-101	Penyimpanan nilai ekstraksi Ciri
2.	P-2-102	Alert ekstraksi fitur telah selesai

Tabel 7 Identifikasi Pengujian Use Case Pelatihan Gambar Penulisan Tangan

No.	Identifikasi	Pengujian
1.	P-1-101	Tampilan Interface antamuka pelatihan
2.	P-1-102	Menekan icon Open Image dan mengisi nama cluster
3.	P-1-103	Menekan icon training tanpa memasukan data gambar tulisan Tangan
4.	P-1-104	Menekan  icon  training  dengan  memasukan  data  gambar Penulisan Tangan
5.	P-1-105	Menekan icon Simpan Bobot
6.	P-1-106	Alert tersimpan

 

Tabel 8. Identifikasi Pengujian Use Case Testing Gambar Penulisan Tangan

No.	Identifikasi	Pengujian
1.	P-2-101	Tampilan interface pengujian
2.	P-2-102	Menekan icon testing tanpa memasukan data pengujian
3.	P-2-103	Menekan icon Open Image, memilih data gambar tulisan tangan yang akan dikenali
4.	P-2-104	Menekan tombol icon Testing untuk dikenali

 

3.3 Pengujian Sistem

Pengujian sistem dilakukan untuk mengetahui seberapa baik dan sesuai sistem yang dibuat,sesuai dengan kebutuhan yang telah ditetapkan pada fase analisa prosedur. Pengujian untuk setiap use case ditunjukkan pada Tabel 10, Tabel 11, Tabel 12, dan Tabel 13.

 

Identifikasi   Prosedur pengujian   Masukan Keluaran yang diharapkan Kriteria evaluasi hasil   Hasil yang didapat   Kesimpulan P-1-101 Menjalankan aplikasi – Sistem tidak dapat menangani proses pra pengolahan – Sistem tidak dapat menangani proses pra pengolahan Approved     P-1-102   Memasukkan objek Foto Sistem dapat memproses pra- pengolahan     – Sistem dapat memproses pra- pengolahan     Approved   P-1-103 Memasukkan objek Foto   Angka 0.png Menampilkan di list pemilihan   – Menampilkan di list pemilihan   Not Approved

Tabel 10. Pengujian Use Case Pra-pengolahan Gambar Penulisan Tangan

 

 

 

	format		Foto		Foto
	berbeda		format selain		format selain
			BMP		BMP

 

Tabel 11. Pengujian Use Case Ekstraksi Fitur Gambar Penulisan Tangan

Identifikasi	Prosedur pengujian	Masukan	Keluarkan yang diharapkan	Kriteria evaluasi hasil	Hasil yang didapat	Kesimpulan
P-2-101	Memproses Foto untuk di ekstraksi fitur	–	Sistem menampilkan nilai ekstraksi ciri	–	Sistem menampilkan nilai ekstraksi ciri	Approved
P-2-102	Memproses Foto untuk di ekstraksi fitur dengan menekan icon Training	]]]]]] –	Alert dengan isi ―esktraksi fitur telah selesai‖	–	Alert dengan isi ―esktraksi fitur telah selesai‖	Approved

 

Tabel 12. Pengujian Use Case Pelatihan Gambar Penulisan Tangan

Identifikasi	Prosedur pengujian	Masukan	Keluaran yang diharapkan	Kriteria evaluasi hasil	Hasil yang didapat	Kesimpulan
P-3-101	Memilih menu Training	–	Sistem menampilkan form menu Training	–	Form Training	Approved
P-3-102	      Melakukan skenario P- 1-101       Menekan icon Open Image       Mengisi nama cluster	Angka 0	Nama cluster dan data gambar tulisan tangan masuk ke dalam list	Data yang dimasukkan ditambahkan ke dalam list	Nama cluster dan data gambar Penulisan Tangan masuk ke dalam list.	Approved
P-4-103	      Melakukan skenario P- 1-101       Menekan icon training	–	Alert dengan isi ―Belum ada data atau data tidak cukup‖	Proses pengenalan Penulisan Tangan menggunakan JST tidak dapat dilakukan	Alert dengan isi ―Belum ada data atau data tidak cukup‖	Approved
P-5-104	      Melakukan	Angka 0	Alert dengan	Data yang	Alert	Approved

 

 

 

	skenario P- 1-101       Melakukan skenario P- 1-102       Menekan icon training		isi “Train Finished‖	dimasukkan telah dilatih	dengan isi “Train Finished‖
P-6-105	      Melakukan skenario P- 1-101       Melakukan skenario P- 1-102       Menekan icon Simpan Bobot	–	Alert dengan isi ―Bobot hasil training berhasil disimpan‖	Data yang dimasukkan telah disimpan	Alert dengan isi ―Bobot hasil training berhasil disimpan‖	Approved
P-7-106	      Melakukan skenario P- 1-101       Melakukan scenario P- 1-102       Melakukan scenario P- 1-103       Menekan icon OK	–	Alert Tertutup	–	Alert Tertutup	Approved

 

 

Tabel 13. Pengujian Use Case Testing Gambar Penulisan Tangan

Identifi kasi	Prosedur pengujian	Masukan	Keluaran yang diharapkan	Kriteria evaluasi hasil	Hasil yang didapat	Kesimpulan
P-4-101	Memilih menu Testing	–	Sistem menampilkan form menu Testing	–	Form Testing	Approved
P-4-102	      Melakuk an Melakuk an skenario P-1-101       Meneka n icon Testing	–	Sistem menampilkan alert berisi‖ Tidak ada yang dapat diproses‖	Proses pengenalan Penulisan Tangan menggunak an JST tidak dapat dilakukan	Sistem menampilk an alert berisi‖ Tidak ada yang dapat diproses‖	Approved

 

 

 

P-4-103	      Melakuk an skenario P-1-101       Meneka n Open Image	–	Data gambar Penulisan Tangan masuk ke dalam list	Proses pengenalan terhadap gambar Penulisan Tangan dapat di proses	Data gambar Penulisan Tangan masuk ke dalam list	Approved
P-4-104	      Melakuk an skenario P-1-101       Melakuk an skenario P-1-103       Meneka n icon Testing	–	Sistem memberikan respon terhadap User dikenali dan menampilkan hasil pengenalan pada kotak dialog	Proses pengenalan terhadap User dikenali	Sistem memberika n respon terhadap User dikenali dan menampilk an hasil pengenalan pada kotak dialog	Approved

4. KESIMPULAN

Pengujian ini menggunakan diagram use case fungsional perangkat lunak. Berdasarkan pengujian sistem, dibagi menjadi 4 pengujian sesuai dengan diagram use case. Evaluasi keseluruhan munjukkan bahwa aplikasi pengenalan penulisan tangan mampu mencapai tujuan yang telah ditetapkan.Akurasi pengenalan penulisan tangan dapat dinilai melalui hasil pengujian fungsional.Pada umumnya akurasi ini dapat diukur dengan membandingkanoutput aplikasi dengan data uji yang dihasilkan.Selanjutnya untuk meningkatkan aplikasi,termasuk pembaruan model,perbaikan kesalahan yang terindetifikasi,dan penerapan umpan balik dari pengguna untuk memastikan kesesuaian dan kepuasan pengguna.

5. SARAN

Penelitian selanjutnya dapat menerapkan pengujian model perilaku UML di luar use case, khususnya model sequence diagram, model  diagram aktivitas dapat diimplementasikan untuk  pengujian lebih lanjut pada jenis menu lainnya ,lakukan analisis kesesuaian (fit analysis) antara model Behaviour Use Case dengan kebutuhan fungsional dan non-fungsional dari aplikasi pengenalan penulisan tangan. Pastikan bahwa model ini dapat secara efektif mencakup skenario pengguna yang relevan Pastikan bahwa model Behaviour Use Case yang diimplementasikan sesuai dengan spesifikasi yang telah ditetapkan.Pastikan data set uji mencakup variasi luas dari gaya tulisan tangan,ukuran tulisan,dan kondisi penulisan yang mungkin.Pertimbangkan kondisi cahaya yang berbeda,posisi tullisan tangan,dan variasi lingkungan lainnya.

DAFTAR PUSTAKA

DAFTAR PUSTAKA

[1] ―Project Management Institute and IEEE Computer Society, Software Extension to the
PMBOK® Guide Fifth Edition, Project Management Institute, 2013.‖

[2] F. B. Waskitho Wibisono, ―Pengujian Perangkat Lunak Dengan Menggunakan Model
Behaviour UML,” JUTI, Vol. 1, No. JULI 2002, pp. 43–50, 2002. [3] G. J. Myers, The Art of Software Testing , Second Edition. 2004

[4] D. Budgen, Software Design, 2nd ed., Addison-Wesle. 2003.

[5] OMG, OMG, 2017. OMG Unified Modeling Language (OMG UML) Ver. 2.5.1. Object
Management Group. 2017.

[6] T. A. Kurniawan, ―Pemodelan Use Case (Uml): Evaluasi Terhadap Beberapa
Kesalahan Dalam Praktik,‖ J. Teknol. Inf. dan Ilmu Komput., Vol. 5 No 1, pp. 77–86,
2018.

[7] G. F. Fitriana, ―Handwriting Digit Recognition Using United Moment Invariant Feature Extraction and Self Organizing Maps,‖ in 2014 Third ICT International Student Project Conference (ICT-ISPC), 2014.

[8] Pierre Bourque and R. E. F. (Dick), SWEBOK V3.0. 2004.

[9] A. H, ―Sistem Penunjang Keputusan Pemilihan Guru Terbaik dengan Metode TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) Studi Kasus: SDN Bendungan Hilir 01 Pagi Jakarta Pusat.,‖ J. Inform. Univ. Pamulang, pp. 89–96, 2017.

[10] D. Fakhri, M. A., Aknuranda, I., & Pramono, ―Implementasi Sistem Informasi Showroom Mobil (SISMOB) dengan Pemrograman Berbasis Objek (Studi Kasus: UD. Tomaru Oto).,‖ J. Pengemb. Teknol. Inf. dan Ilmu Komputer, pp. 2967–2974, 2018.

[11] M. Sukamto, R. A., Shalahuddin, Rekayasa Perangkat Lunak Terstruktur dan
Berorientasi Objek. Bandung: Informatika. 2013.

[12] R. A. Sukamto and M. Shalahuddin, Kolaborasi Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek. Bandung: Informatika,. 2015.

[13] L. C, LARMAN, C., 2005. Applying UML and Patterns. 3rd Edition. NJ: Prentice Hall.
2005.

[14] S.J. Mellor and M.J. Balcer, Executable UML: A Foundation for Model-Driven
Architecture, 1st ed., Addison-Wesley. 2002.