Jurnal
ILMU KOMPUTER Volume 6 Nomor 1 April 2013 Daftar Isi :
HEALTH INFORMATICS : AN INTRODUCTION ................................................................... 1 I Made Agus Setiawan PENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY .................................................................................................... 10 I Made Widiartha IMPLEMENTASI HIGH-AVAILABILITY VPN CLIENT PADA JARINGAN KOMPUTER FAKULTAS HUKUM UNIVERSITAS UDAYANA................................................................ 17 Putu Topan Pribadi ANALISIS PERBANDINGAN KINERJA ANTARA NETWORK FILE SYSTEM (NFS) DAN PRIMARY DOMAIN CONTROLLER (PDC) SAMBA ........................................................... 25 Gede Wahyudi, Trisna Hanggara ANALISIS IDENTIFIKASI POLA DAUN MENGGUNAKAN METODE CANNY, SOBEL, PREWITT DAN ROBERTS ....................................................................................................... 35 I Ketut Gede Suhartana, Ida Ayu Dhyana Paramitha R.
ANALISIS DAN IMPLEMENTASI PEMERIKSAAN LEMBAR JAWABAN KOMPUTER DENGAN ALGORITMA PERCEPTRON ................................................................................ 47 I Wayan Haris Apriyana, luh gede astuti, I Made Widiartha
JURUSAN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS UDAYANA DENPASAR
SUSUNAN DEWAN REDAKSI JURNAL ILMU KOMPUTER Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Udayana
Ketua Agus Muliantara, S.Kom, M.Kom
Penyunting Drs. Wayan Santiyasa, M.Si Ngurah Agus Sanjaya, S.Kom, M.Kom Cokorda Rai Adi Paramarta, S.T, M.M Ida Bagus Gede Dwidasmara, S.Kom.M.Cs
Penyunting Tamu Imas Sitanggang, S.Si, M.Kom (IPB) Ir. A.A. Gede Raka Dalem, M.Sc (Hons) Prof. Pieter Hartel (Twente University)
Pelaksana I Made Widiartha, S.Si, M.Kom Dra. Luh Gede Astuti, M.Kom Gede Santi Astawa, ST, M.Cs Ida Bagus Mahendra, S.Kom, M.Kom
Alamat Redaksi Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Udayana Kampus Bukit Jimbaran – Badung Telpon. 0361 – 701805 Email :
[email protected] Website : www.cs.unud.ac.id
ISSN : 1979-5661
Jurnal Ilmu Komputer - Volume 6 - No 1 – April 2013
Darma Putra, Sistem Biometrika, Penerbit ANDI, Yogyakarta, 2009 ________ , Pengolahan Citra Digital, Penerbit ANDI, Yogyakarta, 2010 Gonzales, R.C. dan R. E. Woods, Digital Image Processing, Addisonesley Publishing Company, 1992. Marvin, W. dan A. Prijono, Pengolahan Citra Digital Menggunakan Matlab,Informatika, Bandung, 2007.
menggunakan metode Canny. Hal tersebut dapat dibuktikan dari besarnya nilai koefisien korelasi yang dihasilkan.
6.2
Saran Berdasarkan uji coba yang telah dilaksanakan dapat disampaikan bahwa aplikasi ini kemampuan metode deteksi tepi sangat dipengaruhi oleh kualitas citra/image yang digunakan, sehingga pada saat proses perbaikan kualitas citra perlu dilakukan percobaan dengan menggunakan fungsi/metode yang lain. Dan
juga
pengembangan
perlu penelitian
diadakan dengan
menggunakan metode deteksi tepi lainnya. Dan penelitian ini dapat dikembangkan untuk sistem pakar pengenalan pola daun.
DAFTAR PUSTAKA Ahmad, U., Pengolahan Citra Digital & Teknik Pemrogramannya, Graha Ilmu, 2005. Anonim.2012.Daun http://id.wikipedia.org/wiki/Daun. Diakses tanggal 25 Maret 2012. Anonim.2012.MATLAB http://www.mikron123.com/index.php/Tut orialMatlab/Tutorial-1-Mengenal- Matlab.html. Diakses tanggal 28 Maret 2012
ISSN : 1979-5661
-46-
Analisis dan Implementasi Pemeriksaan Lembar Jawaban Komputer (LJK) dengan Algoritma Perceptron I Wayan Haris Apriyana, luh gede astuti, I Made Widiartha Program Studi Teknik Informatika, Jurusan Ilmu Komputer, Fakultas Matematika Dan Ilmu Pengetahuan Alam, Universitas Udayana ABSTRAK Citra adalah suatu fungsi kontinu dari intensitas cahaya dalam bidang dua dimensi. Informasi penting yang terdapat pada citra dapat diolah dengan mengekstraksi citra tersebut dan dilakukan proses analisis dan klasifikasi secara tepat memanfaatkan algoritma perhitungan komputer. Pemeriksaan Lembar Jawaban Komputer (LJK) Silang merupakan salah satu kasus yang paling berpotensi digunakan dalam sistem pengolahan citra. Keunikan dan kestabilan karakteristik pola yang terdapat dalam opsi jawaban LJK dapat digunakan sebagai bahan pengenalan pola. Pada penelitian ini dibangun perangkat lunak pemeriksaan LJK silang menggunakan pengenalan pola pada opsi jawaban LJK dengan data bobot yang didapatkan dari pembelajaran algoritma Perceptron. Citra LJK yang menjadi citra input akan diubah menjadi citra hitam putih melalui proses thresholding, lalu dicek kemiringan LJK karena LJK harus tegak lurus. Kemudian dicari posisi masing-masing opsi jawaban tiap nomor pada LJK. Proses mengekstraksi fitur citra tiap opsi jawaban LJK menggunakan metode transformasi Haar Wavelet untuk menghasilkan kombinasi koefisien LL4, HL4, LH4, dan HH4 yang digunakan sebagai input pada algoritma Perceptron. Hasil penelitian yang diperoleh dari 110 kali pengujian LJK adalah perangkat lunak pemeriksaan LJK silang mampu memeriksa 103 LJK yang nilainya sama dengan pemeriksaan secara manual, dan 7 LJK tidak sesuai dengan pemeriksaan secara manual sehingga persentase ketepatan pemeriksaan LJK sebesar 93.63% dan persentase pengenalan 45 pola sebesar 91.11%. Kata Kunci : Pengolahan Citra, Transformasi Haar Wavelet, Algoritma Perceptron, Pemeriksaan Lembar Jawaban Komputer Silang
1
Analysis and Implementation of Computer Answer Sheet Correction Using Perceptron Algorithm
I Wayan Haris Apriyana Program Studi Teknik Informatika, Jurusan Ilmu Komputer, Fakultas Matematika Dan Ilmu Pengetahuan Alam, Universitas Udayana Email :
[email protected] ,
[email protected]
ABSTRACT Image is a continued function of light intensity in a two dimensional area. The essential information the image has can be processed by extracting, analyzing and classifying it accurately using computer calculation algorithm. Cross Computer Answer Sheet Correction is one of the cases which is highly potentially used in the image processing system. The uniqueness and stability of the characteristics of the patterns of the options the Computer Answer Sheet Correction has can be used as means of introducing the patterns. In this study the soft copy of Cross Computer Answer Sheet Correction used the introduction of the pattern the options the Computer Answer Sheet had in which the data weight was obtained from the Perceptron algorithm learning. The image of the Computer Answer Sheet Correction, which was the input image, was changed into the black and white image through thresholding process. Then the declivity of the Computer Answer Sheet was checked as it should be upright. Then the position of each option of the answer to each item on the Computer Answer Sheet was sought out. The features of the image of each option was extracted using transformation method of Haar Wavelet in order to produce the combination of the coefficients of LL4, HL4, LH4, and HH4 used as the input for the Perception algorithm. The results obtained from the Computer Answer Sheet which was tested 110 times showed that the softcopy of the cross Computer Answer Sheet could correct 103 Computer Answer Sheets whose scores were the same as those obtained by manual correction, meaning that the percentage of the accuracy of the Computer Answer Sheet correction was 93.63% and that percentage of the introduction of 45 patterns was 91.11%. Keywords: Image Management, Haar Wavelet Transformation, Perceptron Algorithm, Corss Computer Answer Sheet Correction
PENDAHULUAN
Salah satu contoh dari teknologi baru yang memiliki banyak kendala yaitu komputerisasi pemeriksaan lembar jawaban komputer (LJK) yang menyulitkan pelajar sebagai pengguna dan operator komputer yang memeriksa LJK karena mereka harus memperbaiki LJK yang tidak memenuhi standar pemeriksaan dengan komputer. Padahal selain menggunakan LJK, masih terdapat cara penjawaban soal-soal ulangan yang telah diketahui oleh masyarakat Indonesia, yaitu menjawab dengan cara silang pada pilihan ganda. Cara ini sangat murah dan sangat mudah untuk dipraktekan oleh pelajar sebagai pengguna. Namun cara ini masih mempunyai kelemahan pada saat pemeriksaan lembar jawabannya yang masih tradisional, yaitu dengan tenaga manusia. Berdasarkan latar belakang di atas, maka hal tersebut akan diteliti dengan membangun teknologi yang mampu memeriksa lembar jawaban silang menggunakan komputer. Cara ini dapat dilakukan dengan pengolahan citra digital dan pengenalan pola. Pengolahan citra digital digunakan karena inputan perangkat lunak ini berupa citra digital. Citra input akan diperbaiki untuk meningkatkan kualitas citra. Pengenalan pola digunakan untuk memeriksa jawaban yang diberikan pada lembar jawaban komputer apakah sesuai dengan ketentuan atau tidak. Ketentuan jawaban yang benar adalah menggunakan tanda silang (X) pada pilihan jawaban. Teknik yang penulis gunakan dalam membangun perangkat lunak ini adalah algoritma Perceptron karena algoritma tersebut dapat digunakan untuk mengenali pola karakter yang menyerupai huruf alphabet yaitu membedakan karakter menyerupai huruf atau pola tertentu atau tidak, seperti membedakan huruf “A“ dan bukan huruf lain[11].
MATERI 2.1
Operasi Batas Ambang Tunggal Pada operasi ini nilai piksel yang memenuhi syarat ambang batas tunggal dipetakan ke suatu nilai yang
dikehendaki. Operasi ambang batas tunggal menurut Achmad dan Firdausy[1] mempunyai ketentuan berikut: 0
Ki < ambang
255
Ki > ambang
Ko =
Misalkan citra yang memiliki tingkat keabuan 256, yang dipetakan menjadi citra biner menggunakan fungsi transformasi sebagai berikut. 0
Ki < 128
255
Ki > 128
Ko =
Hasilnya, piksel-piksel yang nilai internsitasnya di bawah 128 diubah menjadi hitam (nilai intensitas = 0), sedangkan piksel-piksel yang nilai intensitasnya di atas 128 diubah menjadi putih (nilai intensitas = 255).
2.2
Operasi Pemotongan Operasi pemotongan adalah pengolahan citra dengan kegiatan memotong satu bagian dari citra. Sebuah
citra dipotong sebesar WxH. Titik (x1,y1) dan (x2,y2) adalah koordinat titik pojok kiri atas dan pojok kanan bawah citra yang akan dipotong. Rumus yang digunakan adalah: W = x2 – x1 dan H = y2 – y1 Operasi pemotongan digunakan pada saat mengambil opsi jawaban yang terdapat pada LJK.
2.3
Transformasi Haar Wavelet
Transformasi wavelet merupakan sebuah fungsi konversi yang dapat digunakan untuk membagi suatu fungsi atau sinyal ke dalam komponen frekuensi yang berbeda, yang selanjutnya komponen-komponen tersebut dapat dipelajari sesuai dengan skalanya. Salah satu jenis transformasi wavelet adalah Haar. Haar adalah wavelet paling tua dan paling sederhana, diperkenalkan oleh Alfred Haar pada tahun 1909. Konsep transformasi Haar wavelet pada suatu citra adalah membagi (dekomposisi) suatu citra menjadi empat sub-image. Pertama kali dilakukan dekomposisi secara horizontal terhadap baris. Kemudian dilakukan dekomposisi secara vertikal terhadap kolom. Pada setiap level, proses dekomposisi hanya dilakukan pada bagian hasil proses perataan dan hasil proses dekomposisi adalah gabungan dari proses perataan dengan seluruh hasil proses pengurangan. Dalam transformasi wavelet, terdapat koefisien transformasi yang berpasangan yakni koefisien ini disebut lowpass filter dan highpass filter. Koefisien Sedangkan
berkaitan dengan proses pengurangan. Koefisien
dan
. Pasangan
berkaitan dengan proses perataan. dan
pada transformasi Haar wavelet
adalah sebagai berikut[9] : (2.1) (2.2) Transformasi Wavelet 2D 1 level
Gambar 2.1 Transformasi Wavelet[9] Hasil transformasi terdiri dari sub-image yang telah dilalui high pass filter pada arah horizontal dan vertikal (HH), sub-image yang telah dilalui high pass filter pada arah horizontal dan low pass filter pada arah vertikal (HL), sub-image yang telah dilalui low pass filter pada arah horizontal dan high pass filter pada arah
vertikal (LH), serta sub-image yang telah dilalui low pass filter pada arah horizontal dan vertikal (LL). Bagian LL sering disebut komponen aproksimasi. Sedangkan bagian HL, LH, dan HH disebut juga komponen detil[9].
Gambar 2.2 Skema Hasil Transformasi Wavelet 2D 1 level[9]
2.4
Algoritma Perceptron
Pada dasarnya, perceptron pada jaringan syaraf tiruan dengan satu lapisan memiliki bobot yang bisa diatur dan suatu nilai ambang (threshold). Algoritma yang digunakan oleh aturan ini akan mengatur parameter-parameter bebasnya melalui proses pembelajaran. Nilai threshold (Ө) pada fungsi aktivasi adalah non negatif. Fungsi aktivasi ini dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah negatif.
Gambar 2.3 Pembatasan Linier Perceptron[6] Daerah positif memiliki pertidaksamaan : w1x1 + w2x2 + b > Ө
(2.3)
Sedangkan daerah negatif memiliki pertidaksamaan : w1x1 + w2x2 + b < - Ө
(2.4)
Besarnya perubahan bobot yang terjadi pada setiap iterasi menurut Theodoridis (2006) adalah : n
w t+1 =w t t i . x i i=0
(2.5)
Dengan : = learning rate,
= error ( = f(yin) – target), x = input,
w = bobot,i = data, i = 1,2,...,n, w(t+1) = bobot akhir, w(t) = bobot sebelumnya, f(yin) = aktivasi output, dan target = target pola. Perceptron terdiri atas beberapa unit masukan ditambah bias dan unit keluaran, merupakan model pelatihan terawasi (supervised) dan fungsi aktivasi bipolar yaitu
HASIL PENELITIAN. Data Flow Diagram. Data Flow Diagram adalah "Suatu gambaran yang menjelaskan begaimana menggambarkan atau membuat model komponen sistem". Berikut adalah diagram konteks
Gambar 3.1 Diagram Konteks dan DFD level 0 perangkat lunak Pemeriksaan LJK Silang
Gambar 3.2 DFD Level 0 Metode blackbox testing mengarahkan pengujian untuk menemukan kesalahan-kesalahan fungsionalitas dari perangkat lunak dan memastikan bahwa input yang dibatasi akan memberikan hasil yang aktual yang sesuai dengan hasil yang dibutuhkan. Tabel 4.1 Format Kasus Uji[15] Test ID
Descripti-
Expected Actual
on
Result
Result
Pada pengujian perangkat lunak, dilakukan pengujian pada Proses Pemeriksaan LJK dan Pengenalan Pola. Pengujian Pemeriksaan LJK dilakukan sebanyak 110 kali dengan 110 LJK. Dari 110 LJK, perangkat lunak pemeriksaan LJK silang mampu memeriksa 103 LJK dengan tepat sehingga persentase ketepatan pemeriksaan LJK sebesar 93.63%. Pengujian Pada proses pengujian akurasi pengenalan pola dengan perceptron digunakan 45 data uji pengenalan pola yang sudah terdapat pada LJK. Tabel hasil data uji pengenalan pola dapat dilihat sebagai berikut. Tabel 4.2 Hasil Data Uji Pengenalan Pola Citra
Hasil Pengenalan Kosong
Hasil yang Diharapkan Kosong
Status Tepat
Kosong
Kosong
Tepat
Kosong
Kosong
Tepat
Kosong
Kosong
Tepat
Kosong
Kosong
Tepat
Kosong
Kosong
Tepat
Kosong
Kosong
Tepat
Kosong
Kosong
Tepat
Kosong
Kosong
Tepat
Lingkaran
Lingkaran
Tepat
Lingkaran
Lingkaran
Tepat
Lingkaran
Lingkaran
Tepat
Lingkaran
Lingkaran
Tepat
Lingkaran
Lingkaran
Tepat
Centang
Lingkaran
Tidak Tepat
Lingkaran
Lingkaran
Tepat
Lingkaran
Lingkaran
Tepat
Lingkaran
Lingkaran
Tepat
Centang
Centang
Tepat
Lingkaran
Centang
Tidak Tepat
Centang
Centang
Tepat
Centang
Centang
Tepat
Centang
Centang
Tepat
Centang
Centang
Tepat
Centang
Centang
Tepat
Centang
Centang
Tepat
Centang
Centang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang Dicoret
Tidak Tepat
Silang
Silang Dicoret
Tidak Tepat
Silang Dicoret
Silang Dicoret
Tidak Tepat
Silang Dicoret
Silang Dicoret
Tepat
Silang Dicoret
Silang Dicoret
Tepat
Silang Dicoret
Silang Dicoret
Tepat
Silang Dicoret
Silang Dicoret
Tepat
Silang Dicoret
Silang Dicoret
Tepat
Silang Dicoret
Silang Dicoret
Tepat
Dapat dilihat pada tabel 4.2, bahwa terdapat 4 (empat) pola yang hasil pengenalan polanya tidak tepat. Persentase pengenalan pola dihitung dengan jumlah pengenalan pola yang tepat dibagi dengan jumlah data uji dikalikan dengan 100%. Dari hasil pengujian 41 pengenalan pola yang tepat sehingga didapatkan tingkat keakuratan 41 / 45 x 100% adalah 91.11%. KESIMPULAN Kesimpulan yang didapat dari penelitian adalah sebagai berikut: 1.
Perangkat lunak untuk pemeriksaan LJK yang dihasilkan, cukup akurat dengan persentase ketepatan pemeriksaan 110 LJK yang diujikan sebesar 93.63% .
2.
Algoritma Perceptron dapat digunakan untuk mengenali 4 pola pada pemeriksaan LJK dan persentase ketepatan pengenalan dari 45 pola data test adalah sebesar 91.11%.
DAFTAR PUSTAKA [1]Achmad, Balza. dan Firdausy, Kartika. (2005). Teknik Pengolahan Citra Digital Menggunakan Delphi . [2]Abdullah, Gafar Ade. (2011). Bab V Algoritma Pembelajaran Dalam Jaringan Syaraf Tiruan . [3]Fahmi.(2007). Perancangan Algoritma Pengolahan Citra Mata Menjadi Citra Pola Iris Sebagai Bentuk Antara Sistem Biometrik. [4]Gonzales. Rafael C. dan Woods. Richard E. (2008). Digital Image Processing Second Edition. [5]Khardon, Roni and Wachman, Gabriel. (2007). Noise Tolerant Variants of the Perceptron Algorithm . [6]Kusumadewi, Sri.(2004). Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB & Excel Link. [7]Murty, Patnala S. R. Chandra, E. Sreenivasa Reddy and I. Ramesh Babu. (2009). “Iris Recognition System Using Fractal Dimensions of Haar Pattern. [8]Putra, Darma. (2009). Sistem Biometrika. [9]Putra, Darma. (2010). Pengolahan Citra Digital [10]Setiawan, Arif. Fitri, Diana Laily. dan Susanti, Nanik. (2010). Analisa Sistem Pengenalan Karakter Menggunakan Jaringan Syaraf Tiruan untuk Membaca Dokumen yang Rusak karena Banjir . [11]Sunarto.(2011).”Metode Perceptron” . [12]Sutoyo. T, dkk. (2009). Teori Pengolahan Citra Digital . [13]Theodoridis,Sergios. (2006). Pattern Recognition, Third Edition. [14]Wahidin. (2004). Aplikasi Algoritma Back-Propagation Multi Layer Perceptron pada Identifikasi Dinamika Sistem Nonlinier . [15]Williams, Laurie. 2006. Testing Overview and Black-Box Testing Techniques.
