APLIKASI ANDROID UNTUK PENGENALAN CITRA KARAKTER JEPANG DENGAN LIBRARY TESSERACT
HANNY RINDIANI
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Aplikasi Android untuk Pengenalan Citra Karakter Jepang dengan Library Tesseract adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Desember 2014 Hanny Rindiani NIM G64124072
ABSTRAK HANNY RINDIANI. Aplikasi Android untuk Pengenalan Citra Karakter Jepang dengan Library Tesseract. Dibimbing oleh KARLINA KHIYARIN NISA. Bahasa Jepang merupakan salah satu bahasa yang sulit untuk dipelajari karena penulisannya yang relatif rumit dan memiliki tiga jenis penulisan yaitu hiragana, katakana, dan kanji. Pada penelitian ini sistem pengenalan karakter Jepang berbasis Android dirancang untuk mengenali citra karakter Jepang dan menerjemahkannya menjadi bahasa Indonesia menggunakan library Tesseract OCR (Optical Character Recognition). OCR adalah teknik untuk mengubah teks non digital menjadi teks digital atau secara harfiah dapat diartikan sebagai pengenalan karakter optik. Pada penelitian ini terdapat 5 kebutuhan fungsional pengguna yaitu mengambil gambar dengan kamera, mengambil gambar dari galeri, melakukan konversi dari citra ke teks, mengedit teks Jepang hasil OCR, dan menampilkan hasil terjemahan teks Jepang. Berdasarkan 10 sampel karakter Jepang yang telah diuji, nilai akurasi yang di dapat dari pengujian gambar dari kamera sekitar 80% dan gambar dari galeri 94%. Selain itu pegujian aplikasi menggunakan kuesioner mencapai 91%. Dengan demikian aplikasi ini diharapkan mampu mengenali citra karakter Jepang dan menerjemahkannya ke dalam bahasa Indonesia sesuai kebutuhan pengguna. Kata Kunci: Jepang, Indonesia, Android, Tesseract OCR, Gambar, Teks.
ABSTRACT HANNY RINDIANI. Android Application for Japanese Character Recognition Image with Library Tesseract. Supervised by KARLINA KHIYARIN NISA. Japanese is one of difficult language to learn because the writing is relatively complicated and it has three kind of writing hiragana, katakana, and kanji. In this study, the Japanese character recognition system based on Android is designed to recognize Japanese character image and translate it into Indonesian using the library Tesseract OCR (Optical Character Recognition). OCR is a technique to convert non digital text into digital text or literally be interpreted as optical character recognition. In this study there were five functional requirements taking a picture with a camera, taking pictures form gallery, the conversion from image to text, text editing of Japanese character form OCR results, and display the results of Japanese text translations. Based on 10 samples of Japanese characters that have been tested, the accuracy values obtained from the test image from the camera around 80% and 94% image from the gallery. Besides test of applications using the questionnaire reached 91%. Thus this application is expected to be able to recognize the image of Japanese characters and translate them into Indonesian according to user needs. Keywords : Japanase, Indonesian, Android, Tesseract OCR, Image, Text.
APLIKASI ANDROID UNTUK PENGENALAN CITRA KARAKTER JEPANG DENGAN LIBRARY TESSERACT
HANNY RINDIANI
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
Penguji:
1 Rina Trisminingsih, S.Komp., MT 2 Auzi Asfarian, S.Komp., M.Kom
Judul Skripsi : Aplikasi Android untuk Pengenalan Citra Karakter Jepang dengan Library Tesseract Nama : Hanny Rindiani NIM : G64124072
Disetujui oleh
Karlina Khiyarin Nisa, S.Komp, M.T Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen
Tanggal Lulus:
PRAKATA Alhamdulillahi rabbil' alamin, puji syukur penulis panjatkan ke hadirat Allah subhanahu wa Ta'ala atas berkat, rahmat, taufik, dan hidayah-Nya sehingga penyusunan skripsi yang berjudul Aplikasi Android untuk Pengenalan Citra Karakter Jepang dengan library Tesseract dapat diselesaikan dengan baik. Sholawat serta salam semoga selalu tercurahkan kepada Nabi Muhammad shalallahu 'alaihi wassalam beserta keluarga, sahabat, dan para pengikutnya yang telah memberikan contoh dalam meraih kebahagiaan di dunia dan akhirat. Terima kasih penulis ucapkan kepada orang tua penulis, ayahanda tercinta Johan Anshory Herklots, SE yang selalu menjadi inspirasi kebijaksanaan dalam tutur dan laku penulis. Ibunda Anita Leni, yang tak pernah lelah memberikan motivasi wejangan, do’a, cinta, kasih sayang dalam mendidik. Dosen pemimbing Ibu Dr Karlina Khiyarin Nisa, S.Kom, M.T atas waktu, ilmu, kesabaran, nasihat, dan masukan yang selalu diberikan selama pengerjaan tugas akhir ini. Bapak Auzi Asfarian, S.Komp., M.Kom dan Ibu Rina Trisminingsih, S.Komp., M.T selaku penguji atas waktu, masukan, dan koreksinya. Serta teman-teman Ilmu Komputer alih jenis angkatan 7 atas pengalaman berbagi ilmu serta atas kebersamaan dan dukungannya selama penulis menjalani waktu di Departemen Ilmu Komputer IPB. Penulis menyadari bahwa karya tulis ini masih jauh dari sempurna karena keterbatasan pengalaman dan pengetahuan yang dimiliki penulis. Oleh karena itu, penulis mengharapkan saran dan kritik yang dapat digunakan untuk perbaikan di masa-masa yang akan datang. Bogor, Desember 2014 Hanny Rindiani
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
1
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA Pengenalan Karakter Jepang
2 2
Hiragana
2
Katakana
3
Kanji
3
Optical Character Recognition (OCR)
4
Proses Pengenalan Karakter
4
Image Preprocessing
5
Segmentation
5
Word Recognition
7
Tesseract OCR Engine
8
Unified Modelling Language
8
Pengujian Usabilitas
8
METODE
9
Analisis Kebutuhan
10
Desain Sistem
10
Implementasi
10
Pengujian dan Evaluasi
11
HASIL DAN PEMBAHASAN Analisis Kebutuhan
11 11
Desain Sistem
11
Proses Terjemahan
13
Rancangan Antarmuka Pengguna
13
Implementasi
14
Pengujian dan Evaluasi
15
Kesimpulan Hasil Evaluasi
18
Evaluasi Usabilitas
19
SIMPULAN DAN SARAN
21
Simpulan
21
Saran
21
DAFTAR PUSTAKA
22
LAMPIRAN
23
RIWAYAT HIDUP
38
DAFTAR TABEL 1 Nilai Kuesioner 2 Rancangan Antarmuka 3 Hasil Implementasi Sistem 4 Hasil Pengujian Dengan Metode Black Box 5 Skenario Pengujian Setiap Data Uji 6 Skenario Pengujian Setiap Kategori 7 Hasil Pengujian 8 Hasil Pengujian Setiap Karakter 9 Task Usabilitas 10 Kuesioner
9 13 15 15 16 16 17 18 19 19
DAFTAR GAMBAR 1 Huruf Hiragana (Das dan Banerjee 2014) 2 Katakana (Das dan Banerjee 2014) 3 Kanji (Das dan Banerjee 2014) 4 Proses Pengenalan Karakter 5 Tahap Image Preprocessing 6 Proses Pencarian Online 7 Tahap Line Finding 8 Tahap Baseline Fitting Algorithm 9 Tahap Fixed Pitch Detection 10 Kandidat Titik Pemotongan 11 Hasil normalisasi baseline dan moment 12 Simbol UML 13 Use Case Diagram 14 Activity Diagram Mengambil Gambar dengan Kamera 15 Activity Diagram Mengambil Gambar dari Galeri
3 3 4 4 5 6 6 6 7 7 8 8 11 12 12
DAFTAR LAMPIRAN 1 Hasil Pengujian Karakter Jepang 2 Lembar Kuesioner 3 Lembar Hasil Kuesioner
23 35 37
1
PENDAHULUAN Latar Belakang Bahasa merupakan alat komunikasi yang penting bagi manusia, karena dengan bahasa kita dapat mengetahui informasi yang kita butuhkan. Pada saat ini masyarakat sudah mulai tertarik untuk mempelajari bahasa-bahasa asing di luar bahasa mereka sendiri, mulai dari bahasa Jepang, Inggris, Perancis, Jerman, Mandarin dan lain-lain. Akan tetapi sekarang ini penelitian untuk bahasa latin sudah mulai berkurang, yang sedang tren saat ini adalah bahasa oriental seperti Mandarin, Jepang, dan Korea. Bahasa Jepang merupakan salah satu bahasa yang sulit untuk dipelajari karena penulisannya yang relatif rumit dan memiliki tiga jenis penulisan yaitu hiragana, katakana, dan kanji. Dalam proses pembelajarannya, untuk mengenali terjemahan karakter bahasa Jepang yang kita jumpai cukup sulit. Hal ini dikarenakan proses menterjemahkan memerlukan masukan berupa teks dengan karakter bahasa Jepang. Untuk mengatasi masalah pengetikan karakter, maka teknik optical character recognition (OCR) dapat dimanfaatkan. OCR adalah teknik untuk mengubah teks non digital menjadi teks digital atau dapat diartikan sebagai pengenalan karakter optik. Teknologi perangkat mobile Android merupakan teknologi yang sedang berkembang pesat di Indonesia dengan peningkatan sebanyak 189% dari bulan mei 2012 ke bulan mei 2013 [1]. Android merupakan sistem operasi mobile phone open source yang berbasis Linux menggunakan bahasa pemograman Java. Pada penelitian ini akan dibangun aplikasi berbasis Android untuk pengenalan citra karakter Jepang dan menterjemahkannya ke dalam bahasa Indonesia. Tidak seperti aplikasi android untuk menerjemahkan bahasa Jepang lain, pada aplikasi ini pengguna tidak diharuskan memberi masukan berupa teks, sebagai alternatif lainnya, pengguna dapat memberi masukkan terhadap aplikasi berupa citra yang mengandung karakter bahasa Jepang. Pada proses pengenalan karakter ini diperlukan suatu library OCR open source, yaitu Tesseract. Mesin OCR yang berbasis bahasa pemrograman C/C++ ini akan diterapkan pada platform Android dengan menggunakan bahasa pemograman Java. Menurut Smith (2007), Tesseract OCR Engine memberikan hasil baik untuk tiap karakter dengan rata-rata tingkat kesalahan hanya mencapai 3,77%. Proses penerjemahan dilakukan secara online menggunakan Microsoft translator. Serta melakukan pengujian usability dan kuesioner yang meliputi learnability, efficiency, memorability, errors, dan satisfaction.
Perumusan Masalah Adapun perumusan masalah yang akan dibahas pada penelitian ini adalah sebagai berikut: 1. Bagaimana Tesseract OCR dapat diterapkan dalam pengenalan citra karakter Jepang untuk platform Android? 2. Seberapa akurat program aplikasi dalam mengenali karakter Jepang? 3. Seberapa baik usabilitas sistem?
2
Tujuan Penelitian Tujuan dari penelitian ini adalah: 1. Menghasilkan suatu program aplikasi mobile yang dapat digunakan untuk mengenali citra karakter Jepang kemudian menerjemahkannya ke dalam bahasa Indonesia. 2. Mengetahui seberapa akurat Tesseract OCR dapat mengenali citra karakter Jepang. 3. Mengevaluasi usabilitas aplikasi melalu kuesioner ke pengguna dengan menggunakan metode black box. Manfaat Penelitian Manfaat yang dapat diperoleh dari hasil penelitian ini adalah dapat membantu masyarakat mengenali karakter Jepang dalam bentuk non-digital ke bentuk digital dalam suatu aplikasi yang mudah dibawa ke mana saja.
Ruang Lingkup Penelitian Lingkup dari penelitian ini adalah: 1. Pengenalan karakter Jepang dilakukan pada citra yang diambil menggunakan kamera, namun bukan tulisan tangan. 2. Input citra harus berupa ekstensi gambar yang didukung oleh Android dan Tesseract OCR, yaitu .jpeg, .gif, .png dan .bmp.
TINJAUAN PUSTAKA Pengenalan Karakter Jepang Bahasa Jepang adalah salah satu bahasa yang paling unik di dunia. Hal tersebut dikarenakan dalam metode penulisannya menggabungkan berbagai macam bentuk huruf. Huruf-huruf tersebut adalah hiragana, katakana dan kanji (Das dan Banerjee 2014). Setiap jenis huruf atau karakter tersebut memiliki fungsi dan peranan tersendiri. Penulisan dalam bahasa Jepang menggabungkan huruf/karakter sebagai berikut : Hiragana Hiragana adalah kumpulan simbol-simbol yang dapat dikatakan mewakili alfabet dalam bahasa Jepang. Sekitar abad ke-9 huruf hiragana dari 46 karakter dasar. Hiragana juga biasanya digunakan oleh anak-anak di sekolah dasar atau orang-orang yang memiliki pengetahuan huruf kanji yang masih terbatas (Das dan Banerjee 2014). Macam-macam huruf hiragana dapat dilihat pada Gambar 1.
3
Gambar 1 Huruf Hiragana (Das dan Banerjee 2014) Katakana Jenis huruf yang digunakan untuk kata-kata serapan yang berasal dari bahasa asing (Das dan Banerjee 2014). Macam huruf katakana dapat dilihat pada Gambar 2
Gambar 2 Katakana (Das dan Banerjee 2014) Kanji Kanji adalah seperangkat simbol yang berasal dari sistem penulisan bahasa Cina. Masing-masing simbol tersebut mewakili satu atau lebih suku kata didalamnya, namun tidak seperti hanya mengeja kata, simbol-simbol ini juga memiliki makna sendiri. Bahkan jika ada dua kata yang dieja memiliki sama bunyi dan dengan makna yang berbeda, maka kanji yang digunakannya pun akan berbeda (Das dan Banerjee 2014). Macam huruf kanji dapat dilihat pada Gambar 3.
4
Gambar 3 Kanji (Das dan Banerjee 2014) Optical Character Recognition (OCR) Optical Character Recognition (OCR) merupakan konversi scan gambar dari teks atau simbol dicetak (seperti halaman dari buku) menjadi teks atau informasi yang dapat dipahami atau diedit menggunakan program komputer (Smith et al. 2009). Gambar yang dimaksud yaitu gambar yang berisi karakter, teks, atau simbol yang akan diproses, dikenali kemudian dikonversi ke dalam bahasa Indonesia. Proses Pengenalan Karakter Proses pengenalan karakter Jepang dalam penelitian ini menggunakan library Tesseract OCR. Proses pengenalan karakter Jepang menggunakan Tesseract OCR dapat dilihat pada Gambar 4.
Gambar 4 Proses Pengenalan Karakter
5
Proses pengenalan karakter yang dilakukan oleh OCR terdiri dari beberapa tahap, yaitu image preprocessing, segmentation, dan word recognition. Image Preprocessing Image preprocessing merupakan tahap awal untuk mengubah gambar berwarna menjadi biner. Image preprocessing terdiri atas 3 proses yaitu grayscaling, smoothing, thresholding. 1. Grayscaling Grayscaling merupakan proses mengubah gambar berwarna menjadi gambar yang hanya memiliki derajat keabuan. Pada proses pengubahan, output dalam tahap ini akan digunakan untuk binerisasi gambar. Program akan melakukan pengulangan untuk grayscaling gambar per piksel sebesar ukuran panjang dan lebar gambar. 2. Smoothing Selanjutnya dilakukan smoothing, yaitu proses pemulusan gambar untuk mengurangi noise. Smoothing dilakukan dengan Gaussian blur dengan matriks konvolusi 3x3. 3. Thresholding Thresholding merupakan suatu proses memisahkan background dengan objek yang ingin diamati dengan mengubah gambar menjadi hitam putih. Pada tahap ini thresholding dapat mengubah gambar berwarna maupun grayscale menjadi binary image dengan mengubah masing-masing pixel dalam kisaran tertentu. Gambar 5 menunjukkan tahap Image Preprocessing pada citra teks.
Gambar 5 Tahap Image Preprocessing Segmentation Setelah tahap image preprocessing selesai, tahap selanjutnya adalah segmentation. Pada tahap segmentation terdapat 4 proses yaitu connected component labeling, line finding, baseline fitting, dan non fixed pitch detection. 1. Connected Component Labeling Proses untuk mendeteksi component-component karakter yang saling terhubung. Pada proses ini Tesseract melakukan pencarian sepanjang citra kemudian mengidentifikasi piksel latar depan atau outline, proses segmentasi akan terus dilakukan sampai semua piksel terluar ditandai sebagai outline karakter. Outline dari setiap karakter akan dikumpulkan
6
menjadi blob (Smith 2007). Proses pencarian outline dapat dilihat pada Gambar 6.
Gambar 6 Proses Pencarian Online 2. Line Finding Merupakan algoritma untuk mencari baris pada teks. Pada Tesseract, algoritma line finding dirancang supaya halaman miring dapat dikenali tanpa harus melakukan deskew (proses untuk mengubah halaman yang miring menjadi tegak lurus) sehingga tidak menurunkan kualitas gambar (Smith 2007). Pada tahap ini pencarian baris pada teks dilakukan menggunakan blob filtering dan line construction.
Gambar 7 Tahap Line Finding 3. Baseline Fitting Setelah baris teks telah ditemukan, garis pangkal (baseline) dicocokan secara lebih tepat menggunakan quadratic spline. Quadratic spline merupakan metode untuk menghasilkan titik pada sebuah rentang data yang telah diketahui sebelumnya. Quadratic spline menggunakan polinomial dengan degree rendah sehingga mampu membentuk garis dengan halus. Gambar 8 menunjukkan hasil proses baseline fitting pada citra teks.
Gambar 8 Tahap Baseline Fitting Algorithm 4. Fixed Pitch Detection Tahap selanjutnya Tesseract memperkirakan lebar karakter yang dideteksi. Tahap ini mendeteksi karakter yang memiliki lebar tetap. Bila karakter berhasil dideteksi, selanjutnya Tesseract melakukan chopping (pemotongan) karakter sehingga karakter pada teks menjadi terpotongpotong (Smith 2007). Potongan ini yang selanjutnya akan diklasifikasikan. Gambar 9 menunjukkan hasil tahapan fixed pitch detection pada citra teks.
7
Gambar 9 Tahap Fixed Pitch Detection 5. Non Fixed Pitch Detection Bila teks yang digunakan tidak memiliki lebar garis tepi tetap, Tesseract akan melakukan algoritma non fixed pitch detection dengan cara mengukur batasan kesenjangan antara base line dengan mean line (garis tengah). Ruang pada citra yang mendekati nilai threshold akan diklasifikasikan dengan fuzzy sehingga akan ditentukan sebagai bagian fitur yang akan dikenali ataupun tidak (Smith 2007). 5.1 Chopping Characters Pada tahap ini kandidat untuk titik-titik pemisahan ditemukan dari simpul cekung, poligonal outline dan titik cekung yang berlawanan.
Gambar 10 Kandidat Titik Pemotongan Pada Gambar 10 menunjukkan kumpulan kandidat titik pemisahan dengan panah dan pemotongan terpilih sebagai sebuah garis melewati outline. Pemotongan dilakukan sesuai dengan urutan prioritas. Setiap pemotongan yang gagal tidak sepenuhnya dibuang tetapi disimpan oleh associator sehingga jika pemotongan dapat digunakan kembali jika dibutuhkan (Smith 2007). Word Recognition Setelah tahap segmentation selesai dilakukan, tahap selanjutnya adalah word recognition. Word recognition merupakan proses pengenalan karakter. Tesseract melakukan ekstraksi topological fitur sebagaimana yang dilakukan oleh (Shillman et al. 1974) dengan aproksimasi segmen poligon (Smith 1987). Klasifikasi adaptif akan membandingkan fitur citra, yaitu hasil normalisasi baseline dan moment, dengan data training. Klasifikasi dilakukan dengan mencari kombinasi jarak terbaik dari data training dan data uji. Tesseract menyediakan data training yang dapat diunduh sesuai jenis bahasa. Gambar 11 menunjukkan citra karakter yang telah dinormalisasi pada baseline dan moment untuk selanjutnya diklasifikasikan.
8
Gambar 11 Hasil normalisasi baseline dan moment Tesseract OCR Engine Tesseract OCR Engine merupakan mesin open source untuk pengenalan karakter yang dapat digunakan oleh berbagai sistem operasi. Mesin OCR dikembangkan di Hewlett-Packard (HP) pada tahun 1984 dan 1994 (Smith 2007). Kemudian di tahun 2005, Tesseract dikembangkan menjadi open source oleh HP dan UNLV. Tesseract OCR Engine memberikan hasil baik untuk tiap karakter dengan rata-rata tingkat kesalahan hanya mencapai 3,77% atau dengan kata lain 96,33% mampu mengenali karakter-karakter dengan baik (Smith 2007). Unified Modelling Language Menurut Wohed et al. (2005) UML adalah bahasa visual untuk menganalisis dan mendesain sebuah sistem berorientasi objek. Keunggulan utama yang dimiliki pemodelan ini adalah kemampuannya dalam memodelkan menyerupai kehidupan nyata, sehingga sistem yang dihasilkan mempunyai kelebihan seperti sifat lebih natural, karena umumnya manusia berfikir dalam bentuk objek, pembuatan sistem memakan waktu lebih cepat, dan memudahkan dalam proses pemeliharaa sistem, karena jika ada kesalahan, perbaikan hanya dilakukan pada bagian tersebut, tidak perlu mengurutkan dari awal. Gambar 12 merupakan simbol yang terdapat pada UML.
Gambar 12 Simbol UML Pengujian Usabilitas Usabilitas diartikan sebagai proses optimasi interaksi antara pengguna dengan sistem yang dapat dilakukan dengan interaktif, sehingga pengguna mendapatkan informasi yang tepat atau menyelesaikan suatu aktivitas pada aplikasi tersebut dengan lebih baik. Agar suatu aplikasi menjadi efektif, efisien dan dapat memberikan kepuasan kepada pengguna, maka aplikasi tersebut harus dapat memberikan kesempatan kepada pengguna untuk menyelesaikan
9
aktivitasnya pada aplikasi tersebut sebaik mungkin (Nielsen 2012). Ada 5 aspek yang harus dipenuhi agar suatu sistem mencapai tingkat usabilitas yang ideal, yaitu: 1. Learnability Mengukur kemudahan penggunaan aplikasi oleh pengguna untuk pertama kali. 2. Efficiency Aplikasi yang efisien dapat menyajikan informasi dengan cepat. 3. Memorability Ukuran bagi pengguna, sehingga aplikasi akan mudah diingat. Bila aplikasi banyak dilakukan perubahan, maka pengguna akan memerlukan waktu untuk menyesuaikan dan mempelajarinya kembali. 4. Errors Mendefinisikan berapa banyak kesalahan-kesalahan apa saja yang dibuat pengguna, kesalahan yang dibuat pengguna mencangkup ketidaksesuaian apa yang pengguna pikirkan dengan apa yang sebenarnya disajikan oleh sistem. 5. Satisfaction Kepuasan pengguna ketika menggunakan aplikasi atau tanggapan terhadap desain aplikasi secara keseluruhan. Usabilitas disesuaikan dengan sekumpulan pertanyaan-pertanyaan secara spesifik yang disajikan dalam urutan tertentu dengan menggunakan format tertentu dan dengan aturan tertentu untuk menghasilkan pengukuran berdasarkan jawaban responden. Kuesioner dirancang menggunakan bahasa yang mudah dimengerti oleh pengguna. Kepuasan pengguna diukur menggunakan skala Likert 1 sampai 5 untuk membantu pengguna mengekspresikan kepuasan mereka terhadap aplikasi. Nilai kuesioner dilihat pada Tabel 1. Tabel 1 Nilai Kuesioner PK
STS
TS
RR
S
SS
Nilai
1
2
3
4
5
Keterangan: SS= Sangat Setuju S=Setuju
RR=Ragu-ragu TS=Tidak Setuju
STS=Sangat Tidak Setuju
METODE Tahapan dalam penelitian ini metode pengembangan yang digunakan adalah metode Waterfall. Metode Waterfall adalah suatu proses pengembangan perangkat lunak berurutan, di mana kemajuan dipandang sebagai terus mengalir ke bawah (seperti air terjun) melewati analisa kebutuhan, desain sistem, implementasi (konstruksi), pengujian dan evaluasi (Pressman dan Roger 2001).
10
Analisis Kebutuhan Kebutuhan user dikumpulkan untuk mulai merancang sistem. Batasanbatasan harus secara jelas diperoleh agar tidak terjadi kesalahan ketika implementasi berlanjut ke tahap selanjutnya. Desain Sistem Dalam tahap ini sistem dirancang menggunakan Tesseract OCR engine. Tesseract merupakan mesin Optical Character Recognition (OCR) open source yang dapat digunakan oleh berbagai sistem operasi. Optical Character Recognition (OCR) adalah suatu proses mengkonversi gambar menjadi teks. Gambar yang dimaksud yaitu gambar yang berisi karakter, teks, atau simbol yang akan diproses, dikenali kemudian dikonversi ke dalam bahasa Indonesia. Sebelum karakter pada gambar dapat dikenali, gambar tersebut harus terlebih dahulu dilakukan preprocessing. Preprocessing pada gambar meliputi grayscaling, smoothing, dan tresholding. Setelah presprocessing selesai dilakukan, maka tahap selanjutnya ialah segmentasi. Segmentasi digunakan untuk memisahkan area-area pengamatan dari setiap karakter yang ingin dikenali, seperti memisahkan kalimat dalam kata-kata dan memisahkan kata ke dalam karakter-karakter. Tahap terakhir pada OCR adalah word recognition atau pengenalan kata, yang melakukan proses adaptive clasiffier. Pada tahap ini algoritme akan membandingkan ciri-ciri fitur yang ingin dikenali untuk mencari data dengan kemiripan paling besar. Implementasi Pada tahap ini, seluruh kebutuhan diterjemahkan ke dalam bahasa pemrograman. Pembuatan modul dipecah menjadi bagian yang lebih kecil yang nanti akan digabungkan menjadi satu kesatuan. Dalam tahapan ini dilakukan pemeriksaan apakah kebutuhan telah terpenuhi. Perangkat keras yang digunakan tahap pengembangan sistem adalah: 1. Samsung Galaxy Core 2 dengan Sistem Operasi Android Kitkat v4.4.2 dengan versi kernel 3.10.17-2173740. 2. Kamera 5 MP, 2592 х 1944 pixels, autofocus, LED flash 3. Ruang penyimpanan memori internal 4 GB, dan microSD 16 GB. 4. A-GPS support. 5. TFT capacitive touchscreen, 480 x 800 pixels, 4.5 inci. 6. Quad-core 1.2 GHz. 7. MacBook Pro 13 inchi 8. Prosesor Intel Core i5 dual-core 2,9 GHz 9. Memori DDR3 1600 MHz sebesar 4 GB Perangkat Lunak yang digunakan dalam pengembangan sistem adalah: 1. Eclipse Juno ADT sebagai lingkungan pengembangan aplikasi. 2. Android SDK untuk library Android.
11
3. Tesseract OCR sebagai library untuk mengenali citra karakter Jepang menjadi sebuah teks. Tesseract juga menyediakan data training untuk jenis karakter Jepang yang dipakai dalam sistem. 4. Microsoft Translator sebagai library untuk menterjemahkan teks Jepang ke Bahasa Indonesia. Pengujian dan Evaluasi Tahap ini dilakukan ketika sistem telah selesai dikembangkan, tetapi masih ada kemungkinan untuk disempurnakan lagi dengan cara kembali ke tahapan sebelumnya. Tahap ini memastikan apakah masih terdapat kesalahan atau tidak dalam pembuatan sistem. Sedangkan proses evaluasi dilakukan dengan cara memberikan kuisioner terhadap pengguna smartphone yang menggunakan sistem operasi Android.
HASIL DAN PEMBAHASAN Analisis Kebutuhan Pada tahap ini dilakukan analisis terhadap kebutuhan pengguna. Use case diagram (Jacobson et al. 1992) memodelkan interaksi client dengan sistem pada tingkat paling tinggi. Dari proses analisis kebutuhan didapatkan usecase diagram yang dapat dilihat pada Gambar 13. Pada usecase terdapat 5 kebutuhan fungsional pengguna yaitu mengambil gambar, mengambil gambar dengan kamera, mengambil gambar dari galeri, melakukan konversi dari citra ke teks, mengedit teks Jepang hasil OCR, dan menampilkan hasil terjemahan OCR.
Gambar 13 Use Case Diagram Desain Sistem Jepang
Penelitian ini menghasilkan aplikasi Android pengenalan citra karakter menggunakan library Tesseract. Alur kerja dari sistem ini
12
direpresentasikan oleh diagram aktivitas yang dapat dilihat pada Gambar 14 dan Gambar 15.
Gambar 14 Activity Diagram Mengambil Gambar dengan Kamera
Gambar 15 Activity Diagram Mengambil Gambar dari Galeri
13
Ketika user masuk ke dalam aplikasi, terdapat tombol untuk mengambil gambar. User diberikan pada 2 pilihan yaitu mengambil gambar dan mengambil dari galeri. User dapat memilih untuk mengambil gambar secara lansung dengan kamera maupun mengambil gambar yang sudah tersedia di galeri. Setelah memilih gambar proses selanjutnya adalah gambar di proses oleh OCR untuk merubah gambar menjadi teks. Karakter Jepang yang sudah diubah dalam bentuk tulisan kemudian di terjemahkan ke dalam bahasa Indonesia. Proses Terjemahan Setelah tahap pengenalan karakter OCR selesai dilakukan, maka tahap selanjutnya adalah proses menerjemahkan bahasa Jepang ke dalam bahasa Indonesia. Untuk menerjemahkan bahasa Jepang ke dalam bahasa Indonesia digunakan library Microsoft translator. Microsoft translator menggunakan hasil teks OCR dengan menentukan bahasa asal dan bahasa tujuan. Dalam penelitian ini, bahasa asal yang ditetapkan adalah bahasa Jepang sedangkan bahasa tujuan adalah bahasa Indonesia. Ketiga parameter tersebut dikirim ke service Microsoft translator. Parameter yang dimaksud adalah teks OCR, bahasa asal dan bahasa tujuan. Service tersebut akan mencocokkan teks OCR dengan kamus bahasa, kemudian mengirimkan hasil translate kepada client. Rancangan Antarmuka Pengguna Tabel 2 Rancangan Antarmuka Halaman Utama
Mengambil Gambar
Mengambil Gambar dengan Kamera
14
Mengambil gambar dari galeri
Hasil OCR
Menerjemahkan ke dalam bahasa Indonesia
Implementasi Pada tahap implementasi menghasilkan program yang dapat menterjemahkan karakter Jepang menjadi bahasa Indonesia dari gambar menjadi tulisan. Halaman utama ketika user masuk ke dalam menu aplikasi, user diberikan pada 2 pilihan untuk mengambil gambar dengan kamera atau memilih gambar karakter Jepang yang terdapat pada galeri. Pada saat pengguna memilih untuk mengambil gambar dengan kamera maka pengguna akan langsung terhubung dengan kamera untuk mengambil gambar. Sedangkan jika user ingin mengambil gambar dari galeri, maka user akan terhubung ke galeri pada handphone yang digunakan. Gambar yang ditangkap oleh kamera akan tersimpan di memori card handphone kemudian Tesseract OCR engine akan memproses gambar menjadi teks. Setelah karakter Jepang di kenali oleh OCR, maka karakter akan di tampilkan kemudian user menilai apakah hasil Tesseract OCR sudah sesuai dengan karakter Jepang yang diinginkan atau tidak. Jika belum sesuai makan user dapat mereset kembali sampai karakter Jepang dapat dikenali oleh Tesseract OCR. Kemudian karakter Jepang diterjemahkan ke dalam bahasa Indonesia dan ditampilkan hasilnya. Hasil implementasi aplikasi dapat dilihat pada Tabel 3.
15
Tabel 3 Hasil Implementasi Sistem Halaman utama
Mengambil gambar
Mengambil gambar dengan kamera
Mengambil gambar dari galeri
Hasil OCR
Menerjemahkan ke dalam bahasa Indonesia
Pengujian dan Evaluasi Berdasarkan hasil pengujian black box (Khan 2012), sistem menunjukan bahwa seluruh fungsi yang ada pada aplikasi ini telah berjalan dengan baik. Tabel 4 menunjukkan hasil pengujian terhadap fungsi yang terdapat pada sistem ini. Tabel 4 Hasil Pengujian Dengan Metode Black Box No. Nama Fungsi
Hasil
1. 2. 3. 4. 5.
Sukses Sukses Sukses Sukses Sukses
Mengambil gambar dengan kamera Memilih gambar dari galeri Menampilkan karakter Jepang Menampilkan terjemahan bahasa Indonesia Mereset aplikasi
16
Skenario pengujian Dari penelitian yang dibahas harus mampu menjawab beberapa pertanyaan, antara lain: 1. Apakah intensitas cahaya berpengaruh pada akurasi OCR? 2. Apakah fokus berpengaruh pada akurasi OCR? 3. Apakah kemiringan pada saat pengambilan citra berpengaruh pada akurasi OCR? 4. Apakah penulisan karakter secara vertikal berpengaruh pada akurasi OCR? 5. Apakah jarak pengambilan gambar pada kamera berpengaruh pada akurasi OCR Berikut skenario pengujian setiap data uji dan kategori, dapat dilihat pada Tabel 5 dan Tabel 6. Tabel 5 Skenario Pengujian Setiap Data Uji Kategori No.
Pengujian
1 2 3 4 5 6 7 8 9 10
Normal Intensitas Cahaya Fokus (Blur) Kemiringan Vertikal Jarak
Intensitas Cahaya Normal Terang Normal Redup Normal Normal Normal Normal Normal Normal
Fokus
Kemiringan
Fokus Fokus Fokus Fokus Blur Fokus Fokus Fokus Fokus Fokus
0° 0° 0° 0° 0° 30° 60° 0° < 15 cm > 15 cm
Akurasi tiap data uji =
Akurasi(%) Kamera Galeri a/b a/b a/b a/b a/b a/b a/b a/b a/b a/b
a/b a/b a/b a/b a/b a/b a/b a/b -
x 100%
a=karakter yg benar b=semua karakter Tabel 6 Skenario Pengujian Setiap Kategori Pengujian
Kategori Terang
Intensitas Cahaya
Normal
Redup
Kamera Lampu putih 15W (jarak lampu kurang dari 20cm) Lampu putih 15W (jarak lampu + 2 meter) Lampu kuning 10W
Galeri Brightness = 50 (microsoft office picture manager) Brightness = 0
Brightness = -50 (microsoft office
17
Fokus
Fokus Blur
0°
30°
Kemiringan 60°
< 15 cm
Jarak > 15 cm
Menunggu fokus Langsung ambil tanpa menunggu fokus Posisi kamera sejajar dengan karakter terhadap citra Posisi kamera miring 30° dengan karakter terhadap citra Posisi kamera miring 60° dengan karakter terhadap citra Posisi kamera kurang dari 15 cm dengan karakter terhadap citra Posisi kamera lebih dari 15 cm dengan karakter terhadap citra
picture manager) Langsung Gaussian blur 1,5px (Adobe imageready) Rotate 0°
Rotate 30°
Rotate 60°
-
-
Pengujian gambar dilakukan pada 10 citra karakter Jepang dengan 10 variasi pengambilan gambar yang berbeda sehingga total gambar yang diuji sebanyak 100 gambar. Pada Tabel 7 menunjukkan pengujian terhadap fungsi yang terdapat pada sistem berdasarkan 10 sampel karakter Jepang yang telah diuji. Tabel 7 Hasil Pengujian Kategori No.
Pengujian
1 2 3 4 5 6 7 8 9 10
Normal Intensitas Cahaya Fokus (Blur) Kemiringan Vertikal Jarak
Intensitas Cahaya Normal Terang Normal Redup Normal Normal Normal Normal Normal Normal
Fokus
Kemiringan
Fokus Fokus Fokus Fokus Blur Fokus Fokus Fokus Fokus Fokus
0° 0° 0° 0° 0° 30° 60° 0° < 15 cm > 15 cm
Akurasi(%) Kamera Galeri 100 100 100 100 100 45 20 95 100 80
100 100 100 100 100 65 30 100 -
18
Kesimpulan Hasil Evaluasi Pengujian gambar dilakukan pada 10 citra karakter Jepang dengan 10 variasi pengambilan gambar yang berbeda sehingga total gambar yang diuji sebanyak 100 gambar dari kamera dan 80 gambar dari galeri. Sedangkan jumlah karakter pada pengujian gambar dari kamera sebanyak 220 sedangkan pengujian gambar dari galeri sebanyak 180. Hasil pengujian setiap karakter dapat dilihat pada Tabel 8. Tabel 8 Hasil Pengujian Setiap Karakter Pengujian
Kategori
Normal
Normal
Kamera
Galeri
Terjemahan
Akurasi Kamera Galeri
Akurasi (%) Kamera Galeri
2/2
2/2
100
100
2/2
2/2
100
100
2/2
2/2
100
100
2/2
2/2
100
100
100
100
2/2
2/2
0
1/2
0
50
0
0
0
0
2/2
2/2
100
100
Terang Intensita s cahaya
Normal Redup
Fokus Blur
Kemirin gan
Balon
30° 60°
Vertikal
Jarak
Normal <15 cm
-
2/2
-
100
-
>15 cm
-
2/2
-
100
-
Dari tabel hasil pengujian diatas dapat disimpulkan bahwa pengujian setiap karakter dari kamera lebih rendah dibandingkan dengan pengujian gambar dari galeri. Hal tersebut dipengaruhi oleh kemiringan pada saat pengambilan gambar, vertikal penulisan gambar, dan jarak pengambilan gambar dari kamera. Sedangkan intensitas cahaya dan fokus tidak terlalu berpengaruh dalam pengenalan karakter. Berikut perhitungan nilai akurasi setiap karakter: Perhitungan akurasi dari kamera Perhitungan akurasi dari galeri Keterangan: a=karakter yg benar
19
b=semua karakter Evaluasi Usabilitas Langkah awal evaluasi usabilitas ini adalah memberikan sejumlah task atau tugas yang sudah dipersiapkan sebelumnya kepada pengguna saat berinteraksi dengan sistem yang diuji. Task ini diberikan kepada 5 responden yang berasal dari mahasiswa dan masyarakat umum yang sudah mengetahui aplikasi Android sehingga mereka tidak lagi mengalami kesulitan pada saat melakukan task tersebut. Berikut task usability yang ditunjukkan pada Tabel 9. Tabel 9 Task Usabilitas No. Nama Fungsi 1. 2. 3. 4. 5. 6. 7. 8.
Menemukan aplikasi Membuka aplikasi Memahami kegunaan tombol Mengambil gambar dengan kamera Memilih gambar dari galeri Menampilkan karakter Jepang Menampilkan terjemahan bahasa Indonesia Mereset aplikasi
Masing-masing task di atas dapat dijelaskan sebagai berikut : Task 1. Pengguna dapat menemukan aplikasi dengan mudah. Task 2. Pengguna dapat membuka aplikasi. Task 3. Pengguna memahami kegunaan tombol-tombol. Task 4. Pengguna diberi pilihan pertama untuk mengambil gambar dari kamera. Task 5. Pengguna diberi pilihan kedua untuk mengambil gambar dari galeri. Task 6. Setelah memilih gambar, pengguna akan ditampilkan hasil Tesseract OCR yang telah mengubah gambar menjadi teks karakter Jepang. Task 7. Pengguna akan mengklik tombol translate untuk menerjemahkan karakter Jepang ke dalam bahasa Indonesia. Task 8. Pengguna akan mengklik tombol reset untuk mengulang percobaan kembali. Setelah user menyelesaikan semua task yang ada, langkah selanjutnya adalah membagikan kuesioner kepada mahasiswa dan masyarakat umum yang berisi 20 pertanyaan yang sudah mewakili kelima aspek usabilitas. Pengguna mengisi kuesioner yang sudah dibagikan berdasarkan apa yang dilihat dan dirasakan pada saat melakukan task tersebut. Tabel 10 merupakan pertanyaan yang terdapat pada kuesioner. Tabel 10 Kuesioner No
Pertanyaan SS
Aspek Learnability 1 Apakah anda berhasil menemukan aplikasi android untuk pengenalan citra karakter Jepang?
Penilaian S RR TS
STS
20
2
Apakah anda berhasil membuka aplikasi android untuk pengenalan citra karakter Jepang? Aspek Efficiency 3 Apakah tampilan aplikasi mudah dikenali? 4 Apakah aplikasi mudah dioperasikan? 5 Apakah tulisan pada layar mudah dibaca? 6 Apakah komposisi warna sudah sesuai? Aspek Memorability 7 Apakah berpindah dari tombol dengan tombol yang lain dengan mudah? 8 Apakah tombol-tombol pada aplikasi mudah dimengerti? 9 Apakah tombol-tombol pada aplikasi mudah digunakan? 10 Apakah bahasa yang digunakan mudah dimengerti? Aspek Errors 11 Apakah aplikasi dapat mengenali karakter Jepang dengan baik? 12 Apakah aplikasi dapat menerjemahkan karakter Jepang ke dalam bahasa Indonesia? 13 Apakah anda berhasil menggunakan tombol Take Picture? 14 Apakah anda berhasil menggunakan tombol Translate? 15 Apakah anda berhasil menggunakan tombol Reset? 16 Apakah aplikasi berhasil mengambil gambar dari kamera dan galeri? Aspek Satisfaction 17 Apakah anda setuju aplikasi ini cukup membantu dalam menerjemahkan citra karakter Jepang? 18 Apakah spesifikasi aplikasi yang ditawarkan sesuai dengan kebutuhan? 19 Apakah anda ingin menggunakan aplikasi ini di HP sendiri? 20 Apakah anda akan menyarankan teman menggunakan aplikasi ini? Tabel 11 Nilai PK
STS
TS
RR
S
SS
Nilai
1
2
3
4
5
Keterangan: SS= Sangat Setuju S=Setuju
RR=Ragu-ragu TS=Tidak Setuju
STS=Sangat Tidak Setuju
21
rata
Hasil rekap nilai usability berdasarkan 5 responden menunjukkan nilai rata91%, nilai tersebut didapatkan dari x 100% lalu untuk mendapatkan nilai rata-
rata menggunakan rumus
x 100%
sehingga dapat dikatakan bahwa perangkat lunak aplikasi Android yang telah dibuat memiliki nilai aspek usability sehingga dapat diterapkan sebagai aplikasi yang dapat dioperasikan oleh penguna untuk menerjemahkan karakter Jepang ke bahasa Indonesia.
SIMPULAN DAN SARAN Simpulan Penelitian ini menghasilkan aplikasi Android untuk pengenalan citra karakter Jepang dengan library Tesseract. Dari pengujian terhadap 10 citra dengan 10 variasi pengambilan gambar yang berbeda sehingga total gambar yang diuji sebanyak 100 gambar dari kamera dan 80 gambar dari galeri, pada hal ini sistem mampu mengenali citra karakter Jepang dengan akurasi sebesar 80% berdasarkan gambar dari kamera, sedangkan akurasi gambar dari galeri sebesar 94%. Sistem juga mampu menampilkan terjemahan karakter Jepang ke bahasa Indonesia. Hasil pengujian usability responden mendapatkan nilai sebesar 91%, hal ini menunjukkan bahwa perangkat lunak aplikasi Android yang telah dibuat sangat mudah dipelajari serta dimengerti oleh pengguna. Saran Sistem aplikasi yang dibangun masih memiliki beberapa kekurangan, oleh karena itu perlu adanya pengembangan agar sistem menjadi lebih baik, diantaranya : 1. Pengenalan pola dapat ditingkatkan kembali. 2. Penambahan fitur-fitur lain, seperti text to speech agar lebih mudah untuk dimengerti cara pengucapan karakter yang telah dikenali. 3. Sistem dapat menerjemahkan bahasa Indonesia ke dalam bahasa Jepang.
22
DAFTAR PUSTAKA Das D, Banerjee S. 2014. Survey of Pattern Recognition Approaches in Japanese Character Recognition. School of Engineering Technology West Bengal University of Technology, India. Jacobson I, Christerson M, Jonsson P, Övergaard G. 1992. Object-Oriented Software Engineering - A Use Case Driven Approach, Addison-Wesle Khan M, Khan F. 2012. A Comparative Study of White Box, Black Box and Grey Box Testing Techniques. Vol 3. India (IN): International Journal of Computer Science and Applications. hlm: 12-15. Nielsen J. 2012. Usability 101: Introduction to usability. Alertbox [Internet]. [diunduh 2014 Desember 01]. Tersedia pada : http://www.nngroup.com/articles/usability-101-introduction-to-usability/ Pressman, Roger S. 2001. Software Engineering : A Practitioner Approach. McGraw - Hill Companies. Shillman R J, Naus G J. 1974. Character Recognition Based on Phenomenological Attributes: Theory and Methods, PhD. Thesis, Massachusetts Institute of Technology. Smith R. 1987. The Extraction and Recognition of Text from Multimedia Document Images, PhD Thesis, University of Bristol. Smith, R. 2007. An Overview of the Tesseract OCR Engine. ICDAR '07 Proceedings of the Ninth International Conference on Document Analysis and Recognition II; 2007 Sept 23-26; Curitiba, Brasil. Washington DC (US): IEEE Computer Society. hlm 629-633. Smith, R., D.Antonova, D.S. Lee. (2009). Adapting the Tesseract Open Source OCR Engine for Multilingual OCR in Proc. Int. Workshop Multilingual OCR,Barcelona.
23
LAMPIRAN Lampiran 1 Hasil Pengujian Karakter Jepang No. 1
Pengujian
Kategori
Normal
Normal
Kamera
Galeri
Terjemahan
Akurasi Kamera Galeri 2/2 2/2
Akurasi (%) Kamera Galeri 100 100
2/2
2/2
100
100
2/2
2/2
100
100
2/2
2/2
100
100
100
100
0
50
Terang Intensitas cahaya
Normal Redup
Fokus
Blur
30°
Balon
2/2
2/2
0
1/2
24
Kemiringan 60°
Vertikal Jarak
2
Normal
Intensitas cahaya
0
0
0
0
2/2
2/2
100
100
< 15 cm
2/2
-
100
-
> 15 cm
2/2
-
100
-
Normal
2/2
2/2
100
100
Terang
2/2
2/2
100
100
Normal
2/2
2/2
100
100
2/2
2/2
100
100
2/2
2/2
100
100
Normal
Redup Dokter
Fokus Blur
25
1/2
1/2
50
50
0
0
0
0
2/2
2/2
100
100
< 15 cm
2/2
-
100
-
> 15 cm
2/2
-
100
-
Normal
2/2
2/2
100
100
Terang
2/2
2/2
100
100
Normal
2/2
2/2
100
100
30° Kemiringan 60°
Vertikal
Normal
Jarak
3 Normal
Intensitas cahaya
26
Redup
Fokus
2/2
2/2
100
100
2/2
2/2
100
100
0
1/2
-
50
0
1/2
0
50
100
100
Normal
2/2
2/2
< 15 cm
2/2
-
100
-
> 15 cm
1/2
-
50
-
100
100
Blur Film 30°
Kemiringan 60°
Vertikal
Jarak
4
2/2 Normal
Normal
2/2
27
2/2
2/2
100
100
2/2
2/2
100
100
2/2
2/2
100
100
2/2
2/2
100
100
1/2
0
50
0
0
0
0
0
50
100
Normal
1/2
2/2
< 15 cm
2/2
-
100
-
> 15 cm
1/2
-
50
-
Terang Intensitas cahaya
Normal Redup
Fokus
Blur 30°
Kemiringan
Pensil
60°
Vertikal
Jarak
28
5 Normal
2/2
2/2
100
100
2/2
2/2
100
100
2/2
2/2
100
100
2/2
2/2
100
100
Normal Terang Normal
Intensitas cahaya Fokus
Redup Blur
2/2
2/2
100
100
2/2
2/2
100
100
1/2
1/2
50
50
2/2
2/2
100
100
< 15 cm
2/2
-
100
-
> 15 cm
2/2
-
100
-
30° Kemiringan
Televisi
60°
Vertikal
Normal
Jarak
29
6 Normal
2/2
2/2
100
100
2/2
2/2
100
100
2/2
2/2
100
100
2/2
2/2
100
100
2/2
2/2
100
100
1/2
1/2
50
50
0
1/2
0
50
2/2
2/2
100
100
2/2
-
100
-
Normal Terang
Intensitas cahaya
Normal Redup
Fokus
Blur
Waktu
30° Kemiringan 60°
Vertikal
Normal
< 15 cm
30
Jarak
1/2
-
50
-
2/2
2/2
100
100
2/2
2/2
100
100
2/2
2/2
100
100
2/2
2/2
100
100
2/2
2/2
100
100
0
1/2
0
50
0
0
0
0
> 15 cm 7 Normal
Normal Terang
Intensitas cahaya
Normal Redup
Fokus
Blur
Sekolah
30° Kemiringan 60°
31
Vertikal Normal
100
100
-
100
-
1/2
-
50
-
3/3
3/3
100
100
3/3
3/3
100
100
2/2
2/2
< 15 cm
2/2
> 15 cm
Jarak
8 Normal
Normal Terang
Intensitas cahaya
3/3
3/3
100
100
Normal Redup
3/3
3/3
100
100
Blur
3/3
3/3
100
100
30°
1/2
2/2
50
100
Fokus Kecil
32
Kemiringan
60°
1/2
1/2
Normal Vertikal
Jarak
50
100
100
3/3
3/3
< 15 cm
3/3
-
100
-
> 15 cm
3/3
-
100
-
2/2
2/2
100
100
2/2
2/2
100
100
2/2
2/2
100
100
2/2
2/2
100
100
2/2
2/2
100
100
9 Normal
50
Normal Terang
Intensitas cahaya
Normal Redup Gajah
Fokus
Blur
33
1/2
2/2
50
100
1/2
1/2
50
50
2/2
2/2
100
100
< 15 cm
2/2
-
100
-
> 15 cm
2/2
-
100
-
2/2
2/2
100
100
2/2
2/2
100
100
2/2
2/2
100
100
2/2
2/2
100
100
30° Kemiringan 60°
Vertikal
Normal
Jarak
10 Normal
Normal Terang
Intensitas cahaya
Normal Redup
34
Fokus
2/2
2/2
100
100
2/2
2/2
100
100
1/2
1/2
50
50
100
100
Blur 30° Kemiringan
Cina
60°
Vertikal
Jarak
Normal 2/2
2/2
< 15 cm
2/2
-
100
-
> 15 cm
2/2
-
100
-
35
Lampiran 2 Lembar Kuesioner PENGUJIAN USABILITY APLIKASI ANDROID UNTUK PENGENALAN CITRA KARAKTER JEPANG DENGAN LIBRARY TESSERACT DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2014
Isilah dengan huruf kapital. Nama Lengkap : ________________________________________ Usia : ____ tahun Tempat/tanggal Lahir : ________________________________________ Jenis Kelamin : 1. Laki-laki 2. Perempuan KETERANGAN: SS= Sangat Setuju RR=Ragu-ragu STS=Sangat Tidak Setuju S=Setuju TS=Tidak Setuju Bubuhkan tanda ceklist (√) pada kolom yang nilainya paling sesuai menurut Anda. Jawaban yang jujur sangat membantu untuk keberhasilan penelitian ini. Terima kasih atas partisipasi Anda. No
Pertanyaan SS
Aspek Learnability 1 Apakah anda berhasil menemukan aplikasi android untuk pengenalan citra karakter Jepang? 2 Apakah anda berhasil membuka aplikasi android untuk pengenalan citra karakter Jepang? Aspek Efficiency 3 Apakah tampilan aplikasi mudah dikenali? 4 Apakah aplikasi mudah dioperasikan? 5 Apakah tulisan pada layar mudah dibaca? 6 Apakah komposisi warna sudah sesuai? Aspek Memorability 7 Apakah berpindah dari tombol dengan tombol yang lain dengan mudah? 8 Apakah tombol-tombol pada aplikasi mudah dimengerti? 9 Apakah tombol-tombol pada aplikasi mudah digunakan? 10 Apakah bahasa yang digunakan mudah dimengerti? Aspek Errors 11 Apakah aplikasi dapat mengenali karakter Jepang dengan baik?
S r
Penilaian RR TS STS
36
12
Apakah aplikasi dapat menerjemahkan karakter Jepang ke dalam bahasa Indonesia? 13 Apakah anda berhasil menggunakan tombol Take Picture? 14 Apakah anda berhasil menggunakan tombol Translate? 15 Apakah anda berhasil menggunakan tombol Reset? 16 Apakah aplikasi berhasil mengambil gambar dari kamera dan galeri? Aspek Satisfaction 17 Apakah anda setuju aplikasi ini cukup membantu dalam menerjemahkan citra karakter Jepang? 18 Apakah spesifikasi aplikasi yang ditawarkan sesuai dengan kebutuhan? 19 Apakah anda ingin menggunakan aplikasi ini di HP sendiri? 20 Apakah anda akan menyarankan teman menggunakan aplikasi ini?
37
Lampiran 3 Lembar Hasil Kuesioner No
Pertanyaan
Aspek Learnability 1 Apakah anda berhasil menemukan aplikasi android untuk pengenalan citra karakter Jepang? 2 Apakah anda berhasil membuka aplikasi android untuk pengenalan citra karakter Jepang? Aspek Efficiency 3 Apakah tampilan aplikasi mudah dikenali? 4 Apakah aplikasi mudah dioperasikan? 5 Apakah tulisan pada layar mudah dibaca? 6 Apakah komposisi warna sudah sesuai? Aspek Memorability 7 Apakah berpindah dari tombol dengan tombol yang lain dengan mudah? 8 Apakah tombol-tombol pada aplikasi mudah dimengerti? 9 Apakah tombol-tombol pada aplikasi mudah digunakan? 10 Apakah bahasa yang digunakan mudah dimengerti? Aspek Error 11 Apakah aplikasi dapat mengenali karakter Jepang dengan baik? 12 Apakah aplikasi dapat menerjemahkan karakter Jepang ke dalam bahasa Indonesia? 13 Apakah anda berhasil menggunakan tombol Take Picture? 14 Apakah anda berhasil menggunakan tombol Translate? 15 Apakah anda berhasil menggunakan tombol Reset? 16 Apakah aplikasi berhasil mengambil gambar dari kamera dan galeri? Aspek Satisfaction Apakah 1 anda setuju aplikasi ini cukup 17 membantu dalam menerjemahkan citra karakter Jepang? Apakah 1 spesifikasi aplikasi yang ditawarkan 18 sesuai dengan kebutuhan? Apakah 1 anda ingin menggunakan aplikasi ini di 19 HP sendiri? Apakah 2 anda akan menyarankan teman 20 menggunakan aplikasi ini? Total Persentase
SS
S
4
1
Penilaian RR S STS
Akurasi (%) 96
5
100
4 3 3 3
1 2 2 2
96 92 92 92
3
2
92
3
2
92
3
2
92
4
1
96
2
2
2
3
88
3
2
92
3
2
92
3
2
92
3
2
92
2
3
88
2
3
88
2
2
1
84
1
3
1
80
1
84
91
38
RIWAYAT HIDUP Penulis dilahirkan di Palembang pada tanggal 30 Januari 1991. Penulis merupakan anak kedua dari 2 bersaudara dari pasangan Bapak Johan Anshory Herklots dan Ibu Anita Leni. Penulis memasuki jenjang Sekolah Menengah Atas (SMA) pada tahun 2006 di SMA PGRI 3 Bogor, jenjang Program Diploma Teknik Komputer IPB pada tahun 2009 dan pada tahun 2012 melanjutkan pendidikan sebagai mahasiswa Program Studi Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.