BAB I PENDAHULUAN
1.1
Latar Belakang Saat ini teknologi sudah semakin berkembang, hal ini tentunya memberi
pengaruh juga dalam berkembangnya ilmu pengetahuan. Perkembangan tersebut juga berpengaruh pada pengembangan beberapa sistem, salah satunya sistem untuk mengenali pola. Saat ini sudah banyak dikembangkan sistem pengenalan pola seperti misalnya pengenalan pola gambar, pengenalan pola tulisan, dan juga pengenalan pola suara. Dengan dikembangkannya beberapa sistem tersebut sangat membantu dalam kehidupan keseharian masyarakat . Di Indonesia, terkenal akan keberagaman suku dan budayanya. Di Bali sendiri memiliki kebudayaan yang unik dan banyak digemari sampai ke mancanegara. Salah satu kebudayaan yang dimiliki yaitu tulisan atau aksara Bali yang memiliki perbedaan dengan tulisan daerah lainnya di Indonesia. Ada beberapa bentuk aksara Bali, dan sudah dipelajari mulai dari tingkat sekolah dasar, namun mungkin bagi sebagian masyarakat apalagi yang jarang menyentuh aksara tersebut mengalami kesulitan untuk mengingat dan mengerti aksara Bali tersebut. Dari permasalahan tersebut dapat dilihat bahwa saat ini diperlukan suatu aplikasi yang dapat mengenali aksara Bali dengan tingkat akurasi yang baik. Dengan dikembangkannya aplikasi pengenalan aksara Bali tersebut diharapakan dapat memberikan kontribusi dalam pelestarian kebudayaan daerah Bali. Telah banyak dilakukan penelitian untuk pengembangan sistem pengenalan tulisan. Beberapa tahun terakhir, beberapa peneliti telah banyak meneliti tentang penggunaan beberapa teknik dalam pengenalan tulisan tangan, seperti Learning Vektor Quantization (Agung BW, Hermanto, & Novi D, 2009), Support Vektor Machine (Sinha et al , 2013) dan Nearest Neightbor (Rajashekararadhya & Ranjan, 2009), Modified Counterpropagation Neural Network Model in Online Handwritten Character Recognition System (Fenwa OD, Emuoyibofarhe JO , Olabiyisi SO, Ajala FA, Falohun AS , 2012), Offline
Handwriting Recognition using Genetic Algorithm (Rahul Kala, Harsh Vazirani, Anupam Shukla, Ritu Tiwari, 2010). Begitu banyak penerapan algoritma yang dapat digunakan dalam mengenali pola atau mengklasifikasikan huruf aksara. Salah satu contoh penerapannya adalah menggunakan algoritma Learning Vektor Quantization (LVQ). Sebagai contoh penelitian yang dilakukan oleh Tjokorda Agung (2009) menggunakan LVQ untuk pengenalan aksara Bali. Algoritma LVQ bekerja dengan cara belajar untuk mengklasifikasikan vektor-vektor input. Jika dua vektor input mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor input tersebut ke dalam kelas yang sama. Inilah yang menjadi kelemahan algoritma LVQ. Untuk mengatasi hal tersebut, algoritma LVQ ini dikembangkan menjadi algoritma Generalized Learning Vector Quantization (GLVQ). Algoritma GLVQ bekerja dengan cara memperbaiki vektor-vektor inputnya berdasarkan metode turunan yang berfungsi untuk meminimalkan cost function. Dengan ditentukannya nilai cost function maka aturan pembelajaran dapat menghasilkan kondisi nilai error minimal yaitu Generalized Learning Vektor Quantization (GLVQ) yang merupakan turunan dari algoritma LVQ. Untuk
pengenalan
tulisan
tangan,
diperlukan
metode
untuk
mengekstraksi ciri pada citra tulisan. Diantara beberapa metode ekstraksi fitur, terdapat metode Zoning dan metode Modified Direction Feature ( MDF) yang sering digunakan. Metode ekstraksi ciri Modified Direction Feature (MDF) mengkombinasikan ciri arah dan informasi struktur global yang ada pada karakter. Pendekatan yang dilakukan oleh metode ini yaitu dengan melakukan deteksi arah dari segmen-segmen garis pembentuk karakter dan piksel-piksel pembentuk karakter tersebut, untuk kemudian digantikan dengan nilai arah yang sesuai. Akhirnya, ciri yang didapatkan dari karakter akan menyimpan lokasi dari piksel dan nilai arahnya. Pada penelitiaan ini diangkat kasus yaitu pengenalan tulisan aksara Bali, tulisan aksara Bali itu sendiri memiliki keunikan dari bentuknya yang hampir sama satu dengan yang lainnya dan beberapa tulisan hanya dibedakan oleh satu guratan garis. Dari karakteristik inilah harus ditentukan metode ekstraksi fitur yang tepat untuk mengekstraksi citra tulisan aksara Bali, jika dilihat dari
perbandingan dua metode ekstraksi fitur Zoning dan MDF, MDF
sesuai
digunakan untuk mengekstraksi tulisan aksara bali karena ciri yang didapatkan dari karakter akan menyimpan lokasi dari piksel dan nilai arahnya . Jika menggunakan Zoning, Dari metode yang ada, dalam penelitian ini akan digunakan metode Generalized
Learning
Vector
Quantization
untuk
pengenalannya
dan
menggunakan metode Modified Direction Feature untuk melakukan ekstraksi fitur untuk dapat mengenali tulisan aksara bali dengan baik. Dalam penelitian ini sistem akan dikembangkan untuk dapat mengenali tulisan aksara Bali secara online dimana data tulisan aksara Bali dapat ditulis langsung dengan menggunakan bantuan mouse oleh user , dan juga dapat mengenali tulisan aksara Bali secara offline dimana user dapat menginput citra tulisan aksara Bali ke dalam sistem . 1.2
Rumusan Masalah Beberapa hal yang menjadi pertanyaan dalam penelitian ini yaitu : a) Apakah metode Generalized Learning Vector Quantization (GLVQ) dan metode Modified Direction Feature (MDF)
dapat diimplementasikan
untuk pengembangan sistem pengenalan tulisan aksara Bali ? b) Bagaimanakah kinerja sistem apabila metode Generalized Learning Vector Quantization (GLVQ) dan metode ekstraksi fitur Modified Direction Feature (MDF) diterapkan pada proses pengenalan tulisan aksara Bali ? 1.3
Batasan Masalah Dalam penelitian ini, agar program data berjalan dengan baik, ada
beberapa batasan yang harus diperhatikan. Berikut batasan yang ada : a) Program ini hanya dapat mengenali tulisan Aksara Bali yaitu aksara suara dan aksara wianjana yang disertai pangange suara. b) Pengenalan yang dilakukan hanya pengenalan karakter atau per karakter , tidak dapat mengenali gabungan karakter atau kata.
1.4
Tujuan Penelitian Dari penelitian ini, adapun beberapa tujuan yang ingin dicapai, yaitu : a) Membangun aplikasi pengenalan tulisan aksara Bali secara online dan offline dengan menerapkan metode Generalized Learning Vector Quantization (GLVQ) dan metode ekstraksi fitur Modified Direction Feature (MDF). b) Menganalisis keterkaitan jumlah learning rate dan terhadap akurasi GLVQ dalam pengenalan tulisan aksara Bali.
1.5
Manfaat Penelitian Dalam penelitian mengenai penerapan Generalized Learning Vector
Quantization dan Modified Direction Feature untuk permasalahan pengenalan tulisan aksara Bali, ada beberapa manfaat yang bisa didapatkan. Berikut ini manfaatnya : a) Bagi penulis Hasil penelitian ini diharapkan dapat menambah wawasan dan menjawab keingintahuan penulis terhadap masalah yang penulis teliti sehingga penulis dapat lebih memahami penerapannya. b) Bagi pihak lain Hasil yang didapatkan pada penelitian kali ini diharapkan dapat menjadi bahan perbandingan bagi pihak lain yang ingin melakukan pengembangan atau penelitian lebih lanjut mengenai pengenalan tulisan aksara Bali dan diharapkan penelitian ini dapat menambah wawasan bagi para pembaca..
1.6
Metodelogi Penelitian Bagian ini menjelaskan mengenai langkah-langkah yang akan ditempuh
dalam Implementasi Pengolahan Citra dan Pengenalan Pola tulisan aksara Bali dengan menggunakan metode ekstraksi ciri Modified Direction Feature dan metode pengenalan Generalized Learning Vector Quantization. Berikut kerja system secara umum dapat digambarkan seperti flowchart pada Gambar 1.1 berikut :
START
Citra Input
Preprocessing
Ekstraksi Fitur
Training Testing Ouput
END
Gambar 1. 1 Flowchart Sistem Pengenalan Tulisan Aksara Bali Jadi dalam penelitian ini, proses- proses yang dilakukan untuk dapat mengenali citra input yang mengandung aksara Bali yaitu , mulai dari tahap preprocessing untuk mendapatkan inti aksara dalam citra, kemudian citra aksara tersebut di ekstraksi Fitur untuk mendapatkan fitur ciri untuk dikenali dengan algoritma GLVQ, proses pengenalannya terdiri dari proses training untuk mendapakan bobot akhir yang mewakili setiap kelas aksara Bali . Dari bobot tersebutlah dilakukan testing untuk menghasilkan output hasil pengenalan . 1.6.1
Objek Penelitian Pada penelitian ini, obyek yang akan di identifikasi adalah karakter tulisan
aksara Bali yang diinput secara online yaitu ditulis menggunakan mouse dan offline yaitu dengan menginputkan citra hasil scan. Dimana karakter aksara Bali tersebut dan angka tersebut akan dijadikan citra biner yang kemudian di ekstraksi fiturnya dan di implementasikan kedalam pengenalan pola.
1.6.2
Pengumpulan Data Dalam penelitian ini jenis data yang digunakan adalah data primer. Data
akan diambil dengan menScan data tulisan tangan dari tiap responden. Data dikumpulkan sendiri dari responden dengan menuliskan masing-masing karakter, berikut rincian karakter aksara yang akan dikumpulkan dari responden : 1)
Aksara wianjana sebanyak 18 buah
2)
Aksara wianjana dengan pangangge suara sebanyak 90 buah karakter
3)
Pangangge suara sebanyak 6 buah
4)
Angka sebanyak 10 buah Sehingga dari setiap responden akan didapatkan 128 data. Jumlah
responden yang digunakan dalam penelitian ini adalah 15 orang dengan format citra berupa .png . Dalam penelitian ini akan dilakukan pengenalan secara online, maka data juga dikumpulkan dari tulisan tangan dengan menggunakan mouse .
1.6.3
Pengolahan Data Awal Pada sistem, pengenalan yang dilakukan secara online maupun online akan
menghasilkan suatu citra input. Citra input tersebut perlu diolah terlebih dahulu agar mendapatkan informasi lebih lanjut mengenai karakter tulisan aksara Bali yang terkandung dalam citra, berikut langkah– langkah pengolahan data awal, dari citra input menjadi citra output yang mengandung informasi tulisan aksara bali. 1.6.3.1 Citra Grayscale Citra inputan yang pertama kali diterima sistem akan mengalami proses pengolahan awal, proses pertama adalah grayscalling. Proses grayscaling dilakukan untuk mendapatkan citra grayscale atau citra dengan warna keabuan. 1.6.3.2 Citra Biner Proses pengolahan awal kedua yaitu pengolahan citra menjadi citra biner atau citra hitam putih. Citra yg dirubah kebiner yaitu citra output hasil dari proses grayscaling.
1.6.3.3 Segmentasi Proses selanjutnya adalah melakukan proses segmentasi. Bertujuan untuk membagi citra ke dalam basis elemen sesuai dengan kriteria yang ditentukan. Sehingga citra yang diambil adalah citra yang penting saja. 1.6.3.4 Thinning Setelah proses segmentasi selesai maka citra akan terbagi menjadi bagianbagian
pembentuk.
Proses
selanjutnya
adalah
proses
thinning
atau
penipisan.Melalui proses thinning ini dihasilkan skeleton dari citra biner yang dihasilkan pada proses sebelumnya. 1.6.6
Metode yang digunakan Pada penelitian kali ini, pengenala tulisan aksara Bali menggunakan
metode Modified Directtion Feature untuk melakukan ekstraksi ciri – ciri atau fitur pada citra output hasil dari pengolahan data awal . Kemudian menggunakan algoritma
Generalized
Learning
Vector
Quantization
untuk
melakukan
pengenalan terhadap ciri- ciri yang telah didapatkan.
1.6.5
Ekstraksi Fitur Setelah mendapatkan citra input akan diproses melalui tahapan
preprocessing image dan akan mendapatkan citra output. Citra output tersebutlah yang akan diproses pada tahap ekstraksi fitur ini untuk mendapatkan fitur – fitur yang akan diklasifikasi selanjutnya. Pada penelitian ini digunakan metode ekstraksi fitur Modified Direction Feature.
1.6.6
Klasifikasi GLVQ Hal yang dilakukan setelah mendapatkan fitur dari hasil ekstraksi dengan
metode
Modified
Direction
Feature
yaitu
mengklasifikasikan
karakter
berdasarkan fitur- fitur yang telah dihasilkan, pengklasifikasian menggunakan algoritma Generalized Learning Vector Quantization (GLVQ).Dalam pengenalan karakter menggunakan GLVQ ini terdapat 2 proses yang harus dilakukan, yaitu
1.6.6.1 Training Proses Training pada GLVQ ini bertujuan untuk mengenali pola dari tiap data set yang dimiliki. Data set yang berupa citra akan mengalami preprocessing, ekstraksi fitur, dan fitur yang didapatkan akan masuk kedalam proses training ini. Hasil akhir dari proses training ini yaitu bobot akhir, bobot akhir inilah yang akan digunakan untuk proses selanjutnya yaitu testing. 1.6.6.2 Testing Testing merupakan tahapann pada GLVQ untuk melakukan pengujian apakah citra inputan dapat dikenali sebagai target yang dimaksud . Pada tahap ini citra input akan melalui preprocessing, ekstraksi fitur, kemudian akan dilakukan testing menggunakan GLVQ, bobot akhir yang didapatkan melalui proses training akan digunakan dalam proses testing ini.
