BIDANG ILMU: INFORMASI DAN KOMUNIKASI
LAPORAN HIBAH PENELITIAN UNGGULAN UDAYANA
PENGEMBANGAN POLA KHUSUS BERBASIS METODE POLA BUSUR TERLOKALISASI UNTUK SISTEM PENGENALAN AKSARA BALI TIM PENELITI 1. Anak Agung Kompiang Oka Sudana, S.Kom, MT.(Ketua) 2. Gusti Agung Ayu Putri, ST, Pg.D, MT. (Anggota) 3. Ni Kadek Ayu Wirdiani, ST, MT. (Anggota) DIBIAYAI DARI DIPA BLU PNBP UNIVERSITAS UDAYANA TA.2012 NOMOR : 0791/023-04.2.01/20/2012; Tanggal 9 Desember 2011 KODE MAK. 4078.24.011.525119 DENGAN SURAT PERJANJIAN PELAKSANAAN PENELITIAN NOMOR : 21.10/UN14/KU.03.04/2012 TANGGAL: 16 MEI 2012
PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS TEKNIK UNIVERSITAS UDAYANA TAHUN 2012
i
HALAMAN PENGESAHAN 1. Judul Penelitian : Pengembangan Pola Khusus Berbasis Metode Pola Busur Terlokalisasi untuk Pengenalan Aksara Bali 2. Ketua Peneliti a. Nama Lengkap b. Jenis Kelamin c. NIP d. Pangkat/Gol e. Jabatan Fungsional f. Bidang Keahlian g. Fakultas/PS h. Perguruan Tinggi i. Tim Peneliti
: Anak Agung Kompiang Oka Sudana,S.Kom.,MT. : Laki-laki : 19750612.199903.1.002 : Penata Tingkat I / IIId : Lektor Kepala : Teknologi Informasi : Teknik/Teknologi Informasi : Universitas Udayana. :
No
Nama
Bidang keahlian
Fakultas/PS
Perguruan Tinggi
1.
Gusti Agung Ayu Putri, ST, Pg.D, MT Ni Kadek Ayu Wirdiani,ST, MT
Teknologi Informasi
Teknik/Teknologi Informasi
Universitas Udayana
Sistem Komputer dan Informatika
Teknik/Teknologi Informasi
Universitas Udayana
2.
3. Pendanaan dan jangka waktu penelitian: a. Jangka waktu penelitian yang diusulkan b. Biaya total yang diusulkan c. Biaya yang disetujui Tahun 2012
: 1 (satu) tahun : Rp 50.000.000,: Rp 50.000.000,Bukit Jimbaran, 25 Oktober 2012
Mengetahui, Dekan Fakultas Teknik Universitas Udayana
Ketua Peneliti,
(Prof. Ir. I Wayan Redana, MA.Sc.,Ph.D) NIP. 19591025 198603 1 003
(Anak Agung Kompiang Oka Sudana,S.Kom,MT)
NIP. 19750612.199903.1.002
Mengetahui Ketua Lembaga Penelitian dan Pengabdian kepada Masyarakat Universitas Udayana
(Dr. Ir. I Ketut Satriawan, MT.) NIP 19640717 198903 1 001
ii
I. Identitas Penelitian 1. Judul Penelitian : Pengembangan Pola Khusus Berbasis Metode Pola Busur Terlokalisasi untuk Pengenalan Aksara Bali 2. Ketua Peneliti : a. Nama Lengkap
: Anak Agung Kompiang Oka Sudana,S.Kom.,MT.
b. Jenis Kelamin
: Laki-laki
c. NIP
: 19750612.199903.1.002
d. Pangkat/Gol
: Penata Tingkat I / IIId
e. Jabatan Fungsional : Lektor Kepala f. PS/Fakultas
: Teknologi Informasi / Teknik
g. Alamat
: Jl. Gunung Guntur II/2 Padangsambian, Denpasar.
h. Telepon/E-mail
: 08123616578 /
[email protected]
3. Anggota peneliti (sebutkan nama dan gelar akademik, bidang keahlian, institusi, alokasi waktu/minggu, maksimum 4 orang). Tim Peneliti No Nama
Bidang keahlian
Fakultas/PS
1.
Gusti Agung Ayu Putri, ST, Pg.D, MT
Teknik Informatika
Teknik/Teknolo gi Informasi
2.
Ni Kadek Ayu Wirdiani,ST, MT
Sistem Komputer dan Informatika
Teknik/Teknolo gi Informasi
Alokasi waktu (jam/minggu) 5
4. Objek penelitian (jenis material yang akan diteliti dan aspek apa yang diteliti) Citra Aksara (Tulisan) Bali 5. Masa pelaksanaan penelitian: 1 Tahun 6. Anggaran yang disetujui - Tahun 2012
: Rp. 50.000.000,-
- Jumlah anggaran seluruhnya (1 tahun)
: Rp. 50.000.000,-
7. Lokasi penelitian : Laboratorium Komputasi, Jurusan Teknologi Informasi, Fakultas Teknik Universitas Udayana 8. Hasil yang ditargetkan : Suatu Sistem / Program Komputer yang mampu untuk melakukan Pengenalan Aksara Bali, baik karakter cetak maupun tulisan tangan. 9. Institusi lain yang terlibat -
iii
5
RINGKASAN PENGEMBANGAN POLA KHUSUS BERBASIS METODE POLA BUSUR TERLOKALISASI UNTUK SISTEM PENGENALAN AKSARA BALI oleh A.A. Kompiang Oka Sudana*); Ni Kadek Ayu Wirdiani *); Gusti Agung Ayu Putri *) *)
Jurusan Teknologi Informasi, Fakultas Teknik, Universitas Udayana Kekayaan budaya yang sangat beragam di Indonesia memiliki kelebihan
tersendiri dalam hal tulisan dimana dikenal berbagai macam tulisan daerah, dengan bentuk huruf yang beragam dan unik. Pengenalan tulisan yang dijadikan objek dalam penelitian ini adalah Tulisan Daerah Bali atau sering disebut dengan Aksara Bali. Tulisan Bali memiliki keunikan dari bentuknya yang hampir sama satu dengan yang lainnya dan beberapa tulisan hanya dibedakan oleh satu guratan garis. Hal ini menjadi suatu permasalahan tersendiri dalam mengenali Tulisan Bali. Berdasarkan permasalahan tersebut maka dibangun suatu sistem yang bertujuan untuk pengenalan Aksara Bali, sehingga mempermudah orang dalam membaca Aksara Bali. Sistem ini diharapkan memberikan metode alternatif untuk pengenalan citra Aksara Bali terkomputerisasi. Pembentukan pola model baru yang didasarkan pada batasan-batasan dalam Metode Pola Busur Terlokalisasi untuk Tulisan Jepang dan Tandatangan Latin dengan tujuan untuk mengurangi banyaknya pola model yang digunakan, sehingga waktu proses bisa dipersingkat. Batasan utamanya yaitu lokalisasi permasalahan pada pola model yang didefinisikan di dalam sebuah bujur sangkar kecil berukuran 5 x 5, tetapi pemilihannya berbasis pada sampel Aksara Bali yang dimiliki. Pola-pola yang dibentuk oleh titik karakteristik tersebut menghasilkan 125 buah
kemungkinan
pola
awal
dan
bisa
dikelompokkan
menjadi
103 pola model awal. Pengurangan waktu proses dilakukan dengan pemilihan pola dari 125 pola tersebut yang memang sering muncul pada Aksara Bali. Pemilihan pola-pola itu dilakukan dengan menggunakan bantuan program komputer. Sampel data untuk membentuk pola model dalam penelitian ini
iv
sebanyak 600 buah citra Aksara Bali yang diambil dari beberapa buku cetak dan internet. Pola model yang didapatkan dari proses tersebut sebanyak 23 buah. Tahapan-tahapan yang dilakukan dalam sistem ini: Data acquisition, merupakan proses pengubahan data dari data analog Aksara Bali, menjadi citra digital dengan scanner; Preprocessing, dilakukan konversi menjadi data citra biner, serta eliminasi terhadap data yang tidak diperlukan; Feature extraction, ciri yang diekstraksi menggunakan pola model khusus untuk Aksara Bali dari Metode Pola Busur Terlokalisasi. Aksara Bali yang telah berbentuk citra biner akan langsung diproses untuk mendapatkan frekuensi kemunculan masing-masing pola. Cara penghitungannya adalah dengan menggerakkan setiap pola model di atas pola biner citra Aksara Bali, sebagai patokan adalah titik yang berbentuk lingkaran penuh. Titik ini digeser secara teratur satu grid ke arah horisontal atau vertikal, sampai semua titik pada citra biner Aksara Bali terlewati. Setiap pergeseran dilakukan pembandingan terhadap ruang yang dilingkupi oleh model tersebut, apakah sama ataukah tidak. Jika sama maka frekuensi kemunculan pola model tersebut ditambahkan; Enrollment, Tahapan pendaftaran Aksara Bali acuan dilakukan dengan mengekstraksi ciri dari beberapa Aksara Bali acuan dan hasil yang diperoleh disimpan pada sebuah file basisdata acuan; Comparison, ciri citra Aksara Bali masukan akan dibandingkan dengan ciri acuan yang ada pada basis data, lalu dilakukan perhitungan-perhitungan dari frekuensi yang didapat pada proses ekstraksi ciri. Berdasarkan proses pembandingan tersebut didapatkan nilai ketidaksamaan (dissimilarity measure) masing-masing acuan dengan citra input. Nilai ketidaksamaan atau nilai beda inilah yang digunakan sebagai dasar untuk pengambilan keputusan hasil pengenalan. Unjuk kerja sistem diukur berdasarkan dua macam tipe kesalahan, yaitu : kesalahan penolakan (false rejection) dan kesalahan penerimaan (false acceptance). Didapatkan prosentase kesalahan minimum pada semua kombinasi konstanta pengali nilai ambang Cd 2,0; 3,0; 4,0; 5,0 dan konstanta pemotongan nilai eigen q bernilai 3, dengan tingkat keberhasilan 92,7 %.
Kata kunci : pengenalan pola, pengenalan Aksara Bali, Metode Pola Busur Terlokalisasi, pola model khusus Aksara Bali, ekstraksi ciri.
v
SUMMARY SPECIAL PATTERN DEVELOPMENT IN BALINESE PRINT CHARACTER RECOGNITION SYSTEM BASE ON LOCALIZED ARC PATTERN METHOD by A.A. Kompiang Oka Sudana*) Ni Kadek Ayu Wirdiani *); Gusti Agung Ayu Putri *) *)
Information Technology Dept., Faculty of Engineering, Udayana University Wealth of diverse cultures in Indonesia has its own advantages in terms
of literary writings is known to a wide range of areas. Writing in each region has a variety of typefaces and has its own uniqueness. Handwriting recognition is used as the object in this research area is Balinese simbol as know as Aksara Bali. It has a unique writing of a similar shape to one another and some writings are distinguished only by a single line sketch. It becomes a problem in recognizing the Balinese writing. Therefore, here is built a system for the Balinese writing recognation, which will help people to be easier reading Balinese writing. Development of this system is expected to provide an alternative method for the recognition of a computerized image of Balinese writing simbol, that it can attract the younger generation to learn it which is one of Bali's cultural heritages. New model of pattern formation is based on the constraints in the Localized Arc Pattern Method for Japanese writing and Latin signature in order to reduce the number of pattern models used. Therefore, the processing time of the system can be shortened. Its main limitation is the localization problem in a defined pattern of the model in a small square measuring 5 x 5; however, the election is based on a sample Aksara Bali. The patterns is formed produces 125 pieces of possible initial patterns that can be grouped into an 103 patterns early models. Reduction of processing time is done by selection of 125 patterns that are frequently come up in Aksara Bali. The selection patterns are performed by using computer. Sample data that is used to establish the pattern of the model are 600 pieces of Aksara Bali image which is taken from some books and the internet. Steps that performs Balinese Character Recognition system, particularly
vi
the Localized Arc Pattern Method, are as follows: Data acquisition is a data conversion process. Here, scanner is used to convert analog data Aksara Bali to the digital image; Pre-processing, if the resulting bitmap file in the data collection phase has not been shaped in two colors. Next, elimination was done to data that is not required, to ensure that the data which will be processed on the next step is a valid data; Feature extraction. Characteristics extractions apply a special model for the pattern of Aksara Bali Localized Arc Pattern Method. Aksara Bali that have shaped the binary image will be processed to obtain the frequency of occurrence of each pattern. Patterns that have the same model number but with different serial number, frequency occurrence summed to obtain the frequency of occurrence of the pattern model. Practice of calculating each pattern is to move the above model a binary pattern image of the Balinese, as a benchmark is a point that a full circle. This point is shifted to a regular grid of horizontal or vertical direction, until all points on the binary image Balinese pass. Any shift performed comparative analysis of the space covered by the model, whether similar or not. If the same then the frequency of occurrence of the pattern is added to the model; Enrolment, steps of Aksara Bali reference registration are done by extracting the characteristics of some of the Balinese reference, and the results obtained are stored in a database file reference; Comparison, here, the characteristic image of Aksara Bali input will be compared to the reference characteristics that exist in the database. At this stage, the calculations of the frequencies obtained in the process of feature extraction will be done. Based on it, the dissimilarity measure of each reference to the input image is obtained. Dissimilarity values are applied as the basic of the recognition decision making. Performance of the system is measured by two types of errors, namely: the rejection error (false rejection) and reception errors (false acceptance). The system developed has a minimum percentage of error in all combinations of the constant multiplier threshold Cd 2.0: 3.0: 4.0: 5.0 and the constant of cutting q-value of Eigen Value 3, with a success rate of 92.7%.
Key words: pattern recognition, Balinese character recognition, Localized Arc Pattern Methods, special model pattern of Aksara Bali, feature extraction.
vii
PRAKATA Segenap puja dan puji syukur, sembah pengastungkara kami panjatkan kehadapan Ida Sanghyang Widhi Wasa sebagai sumber dari segala sumber pengetahuan, karena atas asung kertha wara nugrahaNya Penelitian dan Laporan Hasil Penelitian yang berjudul “Pengembangan Pola Khusus berbasis Metode Pola Busur Terlokalisasi untuk Sistem Pengenalan Aksara Bali.” ini dapat diselesaikan. Banyak
bantuan
yang
diterima
dalam
pelaksanaan
penelitian,
pengumpulan sample data dan penulisan laporan penelitian ini, untuk itu secara khusus kami mengucapkan terima kasih kepada pihak Lembaga Penelitian dan Pengabdian kepada Masyarakat (LPPM) Universitas Udayana yang telah memberikan bantuan dengan menyediakan pembiayaan penelitian ini melalui Anggaran DIPA BLU Universitas Udayana Tahun 2012, Segenap Civitas Jurusan Teknologi Informasi, Fakultas Teknik, Universitas Udayana, juga kepada semua pihak yang telah ikut membantu penulis selama melakukan penelitan dan penulisan laporan ini. Salah satu ciri karya manusia adalah tidak akan pernah sempurna karena manusia memiliki kelebihan serta kekurangan masing-masing. Demikian pula halnya dengan penelitan ini yang telah diusahakan dibuat dengan segenap kemampuan yang ada, akan tetapi jika masih ada kekurangannya, kami bertanggung jawab sepenuhnya terhadap semua kekurangan tersebut. Harapan kami juga, semoga karya ini bermanfaat bagi kita semua. Oktober 2012 A.A.K. Oka Sudana
viii
DAFTAR ISI
Halaman JUDUL ................................................................................................... LEMBAR PENGESAHAN ...................................................................... IDENTITAS PENELITIAN ...................................................................... RINGKASAN ........................................................................................... SUMMARY ................................................................................................ PRAKATA ................................................................................................ DAFTAR ISI ............................................................................................. DAFTAR GAMBAR ................................................................................ DAFTAR TABEL ..................................................................................... JUDUL PENELITIAN ............................................................................. ABSTRAK ...............................................................................................
i ii iii iv vi viii ix xii xiv 1 1
BAB I PENDAHULUAN ....................................................................... 2 1.1. Latar Belakang ......................................................................... 2 1.2. Rumusan Masalah .................................................................... 3 1.3. Tujuan Penelitian ..................................................................... 4
BAB II STUDI PUSTAKA ..................................................................... 4 2.1. Penelitian Pengenalan Tulisan Tangan dan Karakter Aksara Bali ........................................................ 4 2.2. Fungsi Aksara di Era Modern ................................................... 6 2.3. Ejaan Bahasa Bali ..................................................................... 6 2.4. Pengenalan Pola ........................................................................ 14 2.5. Metode Pola Busur Terlokalisasi ............................................. 16 2.6. Nilai Eigen dan Vektor Eigen ................................................... 18 2.5.1. Diagonalisasi Matriks ................................................. 20 2.5.2. Transformasi Jacobi Matriks Simetris ....................... 21 2.7. Unjuk Kerja Sistem .................................................................. 24 BAB III METODE PENELITIAN ......................................................... 26 3.1. Tempat dan Waktu Penelitian ................................................... 26 3.2. Data .......................................................................................... 26
ix
3.2.1. Sumber Data ............................................................... 26 3.2.2. Metode Pengumpulan Data ......................................... 26 3.3. Bahasa Pemrograman ............................................................... 27 3.4. Metode Penyelesaian Masalah .................................................. 27 3.5. Perangkat Pemodelan Sistem .................................................... 27 3.5.1. Gambaran Umum Sistem Pengenalan Aksara Bali .......... 27 3.5.2. Pembentukan dan Pemilihan Pola Model ......................... 28 3.5.3. Tahapan Pengenalan Karakter Aksara Bali ...................... 29 3.6. Perancangan Sistem ................................................................. 34 3.6.1. Diagram Jackson Sistem Pengenalan .............................. 35 3.6.2. Bagan Alir Proses ............................................................ 37 3.6.3. Struktur Data ..................................................................... 40 3.7. Pembuatan Sistem .................................................................... 42 3.7.1. Kebutuhan Sistem ............................................................ 42 3.7.1.1. Kebutuhan Perangkat Keras ......................................... 42 3.7.1.2. Kebutuhan Perangkat Lunak ........................................ 42 3.7.2. Pemrograman ................................................................... 43 3.7.2.1. Konstanta dan Variabel Global ................................ 43 3.7.2.2. Form Utama ............................................................. 44 3.7.2.3. Form Pendaftaran ..................................................... 55 3.7.2.4. Form-Form Pendukung ............................................ 58 BAB IV HASIL DAN PEMBAHASAN ................................................ 62 4.1. Pengujian ................................................................................. 62 4.1.1. Pembentukan Pola Model ................................................. 62 4.1.2. Pemilihan Pola Model ....................................................... 65 4.1.3. Penentuan Konstanta ........................................................ 71 4.1.4. Tahap Pengujian ................................................................ 72 4.1.5. Hasil Pengujian ................................................................. 72 4.1.5.1. Ujicoba Antarmuka Sistem ....................................... 73 4.1.5.2. Pendaftaran karakter Aksara Bali acuan .................. 76 4.1.5.3. Pengenalan Karakter Aksara Bali Uji ...................... 81 4.2. Analisis Hasil ........................................................................... 88
x
4.2.1. Analisis Hasil Pengujian .................................................. 88 4.2.1.1. Analisis Pengujian Pengenalan ................................. 88 4.2.2. Perbandingan Keberhasilan Pengenalan Aksara Bali ...... 94 4.2.3. Analisis Kompleksitas Waktu .......................................... 95 4.2.3. Analisis Kompleksitas Ruang Penyimpanan ................... 100 BAB V SIMPULAN DAN SARAN ....................................................... 103 5.1. Simpulan .................................................................................. 103 5.2. Saran ........................................................................................ 104
DAFTAR PUSTAKA ............................................................................... 105 JADWAL PELAKSANAAN .................................................................... PERSONALIA PENELITIAN .................................................................. REKAP PENGGUNAAN DANA PENELITIAN .................................... BIODATA KETUA PENELITI ................................................................ BIODATA ANGGOTA PENELITI 1 ...................................................... BIODATA ANGGOTA PENELITI 2 ......................................................
LAMPIRAN 1. DETAIL PENGGUNAAN DANA PENELITIAN LAMPIRAN 2. CATATAN DETAIL PELAKSANAAN PENELITIAN LAMPIRAN 3. COPY DARI KONTRAK PENELITIAN
xi
107 108 108 109 112 114
DAFTAR GAMBAR Halaman Gambar 2.1. Struktur umum suatu sistem pengenalan pola ...................... 15 Gambar 2.2. Tahap pengoperasian suatu sistem pengenalan pola ........... 15 Gambar 2.3. Pola busur dalam bentuk asli
............................................. 17
Gambar 2.4. Pola model dalam metode pola Busur Terlokalisasi .......... 18 Gambar 2.5. Pembagian kelompok (asli/palsu) dan evaluasi rata-rata kesalahan nilai beda (a) ideal; (b) kenyataan ...................... 25
Gambar 3.1. Gambaran umum sistem pengenalan Aksara Bali ............... 28 Gambar 3.2. Struktur Diagram Jackson sistem pengenalan ..................... 35 Gambar 3.3. Bagan alir proses pengenalan .............................................. 38 Gambar 3.4. Bagan alir tahap pendaftaran ............................................... 39 Gambar 3.5. Tampilan Form Utama sistem pengenalan .......................... 45 Gambar 3.6. Tampilan Form Pendaftaran ................................................ 55 Gambar 3.7. Tampilan Form Daftar Aksara Bali ...................................... 59 Gambar 3.8. Tampilan Form Lingkungan Sistem ..................................... 60 Gambar 3.9. Tampilan Form Pola Model .................................................. 61 Gambar 3.10. Tampilan Form Indikator Proses ........................................ 61
Gambar 4.1a. Kemungkinan pola-pola dari Pola Busur Terlokalisasi untuk Pola bujursangkar 5x5 (nomor urut 1 sampai 63) ...... 63 Gambar 4.1b. Kemungkinan pola-pola dari Pola Busur Terlokalisasi untuk Pola bujursangkar 5x5 (nomor urut 64 sampai 125) .. 64 Gambar 4.2. Pola-pola terpilih sebanyak 23 pola ...................................... 70 Gambar 4.3. Pola-pola terpilih sebanyak 23 pola yang penomorannya telah disesuaikan ................................. 71 Gambar 4.4. Tampilan awal sistem pengenalan ....................................... 74 Gambar 4.5. Tampilan setting lingkungan pada saat proses pendaftaran
74
Gambar 4.6. Contoh tampilan pada saat aksara A diuji ........................... 75 Gambar 4.7. Contoh laporan hasil pengenalan ......................................... 75
xii
Gambar 4.8. Tampilan hasil pengenalan untuk satu huruf ........................ 81 Gambar 4.9. Grafik prosentase kesalahan tipe I ....................................... 91 Gambar 4.10. Grafik prosentase kesalahan tipe II .................................... 91 Gambar 4.11. Grafik prosentase kesalahan rata-rata ................................ 92 Gambar 4.12. Grafik prosentase keberhasilan unjuk kerja sistem ............ 92 Gambar 4.13. Grafik waktu proses pengenalan sistem .............................. 94
xiii
DAFTAR TABEL Halaman Tabel 2.1. Daftar aksara suara.................................................................... 7 Tabel 2.2. Daftar aksara wianjana.............................................................. 7 Tabel 2.3. Daftar pengangge suara............................................................. 9 Tabel 2.4. Daftar pengangge tengenan....................................................... 10 Tabel 2.5. Daftar pengangge aksara........................................................... 11 Tabel 2.6. Daftar angka dalam Aksara Bali ............................................... 12 Tabel 2.7. Daftar tanda baca dan aksara khusus Aksara Bali .................... 13 Tabel 4.1. Frekuensi kemunculan masing-masing pola pada 600 citra biner Aksara Bali ............................................. 67 Tabel 4.2. Frekuensi kemunculan masing-masing pola pada 600 citra Aksara Bali yang sudah diurut .......................... 68 Tabel 4.3. Frekuensi kemunculan masing-masing pola pada 600 citra Aksara Bali yang sudah diurut dengan batasan terkecil 10 kali............................................................. 69 Tabel 4.4 Frekuensi kemunculan masing-masing pola pada 600 citra Aksara Bali yang sudah diurut berdasarkan nomor model dengan batasan terkecil 10 kali.......................... 69 Tabel 4.5. Nilai threshold pola model Aksara Bali .................................. 76 Tabel 4.6. Nilai threshold pola model tandatangan Indonesia ................. 78 Tabel 4.7. Jumlah kesalahan pada pengenalan dengan q = 1 Pola model Aksara Bali .......................................................... 82 Tabel 4.8. Jumlah kesalahan pada pengenalan dengan q = 2 Pola model Aksara Bali .......................................................... 83 Tabel 4.9. Jumlah kesalahan pada pengenalan dengan q = 3 Pola model Aksara Bali .......................................................... 84 Tabel 4.10. Jumlah kesalahan pada pengenalan dengan q = 1 Pola model tandatangan Indonesia ......................................... 85 Tabel 4.11. Jumlah kesalahan pada pengenalan dengan q = 2 Pola model tandatangan Indonesia ......................................... 86
xiv
Tabel 4.12. Jumlah kesalahan pada pengenalan dengan q = 3 Pola model tandatangan Indonesia .......................................... 87 Tabel 4.13. Banyaknya kesalahan yang terjadi pada pengujian.................. 89 Tabel 4.14. Prosentase kesalahan tipe I dan tipe II pada pengujian sistem pengenalan ......................................... 90 Tabel 4.15. Prosentase kesalahan rata-rata pada pengujian sistem pengenalan ......................................... 90 Tabel 4.16. Prosentase keberhasilan pada pengujian sistem pengenalan .. 90 Tabel 4.17. Perbandingan waktu proses pola model Aksara Bali pola model tandatangan Indonesia ........................................ 93 Tabel 4.18. Tipe data dan ruang penyimpan yang diperlukan ................. 100
xv
JUDUL PENELITIAN Pengembangan Pola Khusus berbasis Metode Pola Busur
Terlokalisasi
untuk
Sistem
Pengenalan
Aksara Bali.
ABSTRAK Indonesia yang memiliki kekayaan kebudayaan yang tinggi tentunya memiliki kelebihan tersendiri dalam hal tulisan dimana dikenal berbagai macam tulisan daerah. Kekayaan ini dapat menjadi penelitian tersendiri dengan melakukan pengenalan terhadap pola dari tulisan daerah tersebut. Masing-masing daerah mempunyai bentuk huruf yang beragam dan memiliki keunikan tersendiri. Pengenalan tulisan yang dijadikan objek dalam penelitian ini adalah Tulisan Daerah Bali atau sering disebut dengan Aksara Bali. Tulisan Bali memiliki keunikan dari bentuknya yang hampir sama satu dengan yang lainnya dan beberapa tulisan hanya dibedakan oleh satu guratan garis. Hal ini menjadi suatu permasalahan tersendiri dalam mempelajari/mengenali Aksara Bali. Berdasarkan permasalahan tersebut maka akan dibangun suatu aplikasi yang bertujuan untuk pengenalan Aksara Bali. Penelitian yang akan dibuat ini direncanakan menggunakan pola khusus yang dibentuk dari Pola Busur Terlokalisasi untuk melakukan ekstraksi ciri Citra Aksara Bali. Metode ini sudah terbukti cukup akurat dalam hal verifikasi citra tandatangan dan pengenalan tulisan tangan Latin maupun Jepang. Tahap-tahap yang dilakukan pada sistem pengenalan Aksara Bali ini diantaranya: pembentukan dan pemilihan pola model, pengumpulan data Aksara Bali, lalu dilakukan akuisisi atau penginputan data tersebut melalui scanner. Prapemrosesan dari citra Aksara Bali melalui penghilangan noise, binerisasi, serta pemotongan karakter. Selanjutnya dilakukan pendaftaran ke basisdata acuan melalui ekstraksi ciri menggunakan pola model pada Pola Busur Terlokalisasi, serta pada akhirnya dilakukan proses pembandingan untuk mengenali karakter yang diinputkan menggunakan nilai ambang. Unjuk kerja sistem diukur berdasarkan dua macam tipe kesalahan, yaitu : kesalahan penolakan (false rejection) dan kesalahan penerimaan (false acceptance). Sistem yang dikembangkan mempunyai prosentase kesalahan minimum pada semua kombinasi konstanta pengali nilai ambang Cd 2,0; 3,0; 4,0; 5,0 dan konstanta pemotongan nilai eigen q bernilai 3, dengan tingkat keberhasilan 92,7 %. Kata kunci : pengenalan pola, pengenalan Aksara Bali, Metode Pola Busur Terlokalisasi, pola model khusus Aksara Bali, ekstraksi ciri.
1
BAB I. PENDAHULUAN 1.1. Latar Belakang Kemajuan teknologi komputer saat ini sangatlah pesat. Sistem komputer dikembangkan agar dapat melakukan proses pengenalan suatu pola sebagaimana kemampuan manusia. Sistem pengenalan pola yang banyak dimanfaatkan saat ini seperti pengenalan sidik jari dan telapak tangan yang berupa citra, pengenalan suara, sampai pengenalan tulisan. Salah satu dari pengenalan pola yang umum yang dikenal orang adalah pengenalan tulisan. Tulisan memiliki sifat yang unik sehingga menghasilkan sebuah permasalahan baru yang menarik untuk diangkat. Kekayaan budaya yang sangat beragam di Indonesia memiliki kelebihan tersendiri dalam hal tulisan dimana dikenal berbagai macam tulisan daerah. Tulisan di masing-masing daerah mempunyai bentuk huruf yang beragam dan memiliki keunikan tersendiri. Pengenalan tulisan yang dijadikan objek dalam penelitian ini adalah Tulisan Daerah Bali atau sering disebut dengan Aksara Bali. Tulisan Bali memiliki keunikan dari bentuknya yang hampir sama satu dengan yang lainnya dan beberapa tulisan hanya dibedakan oleh satu guratan garis (Agung BW dkk, 2009). Tulisan Bali juga memiliki sifat yang berbeda dengan tulisan Latin, Jepang, Korea maupun
Cina.
Hal
ini
menjadi
suatu
permasalahan
tersendiri
dalam
mempelajari/mengenali Tulisan Bali. Berdasarkan permasalahan tersebut maka akan dibangun suatu aplikasi yang bertujuan untuk pengenalan Aksara Bali sehingga mempermudah orang dalam membaca Aksara Bali. Penelitian ini diharapkan dapat menarik minat generasi muda untuk mempelajari Aksara Bali yang merupakan salah satu dasar Budaya Bali yang muara akhirnya bisa memberikan kontribusi dalam pelestarian budaya bangsa melalui pelestarian budaya daerah. Penelitian untuk pengenalan Aksara Bali ini sudah pernah ada yang melakukan tetapi dengan menggunakan Metode LVQ dan MDF yang dilakukan oleh Tjokorda Agung BW (Agung BW dkk, 2009) selain itu juga ada yang menggunakan Metode Moment Invariant dan LVQ yang dilakukan oleh I Komang Gede Suamba Dharmayasa (Dharmayasa, 2009). Sedangkan penelitian yang dibuat dengan menggunakan pola khusus yang dibentuk dari Pola Busur Terlokalisasi untuk melakukan ekstraksi ciri citra Aksara Bali belum pernah ada yang melakukan dimana metode ini sudah terbukti cukup berhasil dalam hal verifikasi citra 2
tandatangan dan pengenalan tulisan tangan Latin, Jepang, Korea maupun Cina. Berdasarkan hal tersebut maka pada penelitian ini dipergunakan pola khusus untuk pengenalan Aksara Bali.
1.2. Perumusan Masalah Berdasarkan paparan di atas dapat dirumuskan suatu permasalahan yaitu: 1. Bagaimana pembentukan pola model khusus berbasis Metode Pola Busur Terlokalisasi untuk melakukan ekstrasi ciri pada pengenalan Aksara Bali 2. Bagaimana rancang bangun Sistem Pengenalan Aksara Bali menggunakan metode pola model khusus bentukan tersebut. 3. Bagaimana unjuk kerja sistem dengan menggunakan metode pola khusus untuk Pengenalan Karakter Bali..
1.3 Tujuan Penelitian Tujuan dari penelitian ini adalah : 1. Untuk mendapatkan pola model khusus yang bisa digunakan untuk melakukan ekstraksi ciri pada Pengenalan Aksara Bali. 2. Untuk mengetahui efektifitas metode pola model khusus tersebut dalam hal Pengenalan Karakter Aksara Bali. 3. Menguji tingkat keakuratan metode pola model khusus tersebut dalam Sistem Pengenalan Karakter Aksara Bali.
3
BAB II. STUDI PUSTAKA Penelitian dalam bidang pengenalan tulisan tangan (handwriting recognition) telah berkembang dalam kurun waktu yang cukup lama. Penelitian-penelitian tersebut ada yang menggunakan masukan secara statis maupun dinamis. Penelitian tentang tulisan tangan dengan masukan secara statis (off-line) banyak dilakukan oleh Isao Yoshimura, Mitsu Yoshimura serta peneliti-peneliti lainnya, yang mana lebih banyak difokuskan pada tulisan Jepang. Jurnal “A Zip Code Recognition System using the Localized Arc Pattern Method” oleh Mitsu Yoshimura, Tatsuro Shimizu dan Isao Yoshimura Tahun 1993. Jurnal “Arc Pattern Method for Writer Recognition as an Aid for Person Identification”, Tahun 1990 dan “A Zip Code Recognition System using the Localized Arc Pattern Method.”, Tahun 1993, oleh Isao Yoshimura dan Mitsu Yoshimura, menuliskan hasil penelitian tentang penggunaan Metode Pola Busur Terlokalisasi pada identifikasi seseorang pada jurnal pertama, dan pengenalan angka pada jurnal kedua. Dari penelitian-penelitian yang dilakukan oleh Isao Yoshimura dan Mitsu Yoshimura, sebagian besar menggunakan serta mengembangkan Metode Pola Busur baik dalam bentuk asli, transformasi maupun melakukan lokalisasi terhadap Pola Busur. Berdasarkan penjelasan di atas dapat dilihat bahwa penelitian terhadap tulisan tangan dan verifikasi tandatangan sudah banyak dilakukan baik dengan metode masukan statis maupun dinamis, akan tetapi dari penelitian-penelitian tersebut, belum ada yang menggunakan Metode Pola Busur Terlokalisasi dan jarak korelasi terutama pengembangannya yang disesuaikan dengan pola model khusus Tulisan Bali yang memiliki sifat berbeda dengan Tulisan Latin, Korea ataupun Cina, sedangkan seperti laporan beberapa hasil penelitian tersebut disebutkan bahwa untuk Tulisan Tangan Jepang, Korea dan Cina hasil yang diperoleh cukup baik.
2.1. Penelitian Pengenalan Tulisan Tangan dan Karakter Aksara Bali Penelitian tentang Pengenalan Karakter Aksara Bali sudah beberapakali dilakukan tetapi dari penelitian-penelitian tersebut, belum ada yang menggunakan Metode Pola Busur Terlokalisasi untuk pengenalan karakter, sedangkan seperti laporan beberapa hasil penelitian metode ini berhasil dengan baik digunakan untuk 4
melakukan verifikasi tandatangan dan pengenalan tulisan tangan. Beberapa referensi yang bisa dijadikan acuan untuk menjelaskan tentang penelitan tersebut adalah sebagai berikut: 1. Penelitian dari A.A.K.Oka Sudana yang menggunakan Metode Pola Busur Terlokalisasi untuk memverifikasi tanda tangan yang menghasilkan prosentase kesalahan minimum pada kombinasi konstanta pengali nilai ambang Cd bernilai 2,5 dan konstanta pemotongan nilai eigen q bernilai 6, yaitu prosentase kesalahan penolakan sebesar 7,37 % dan kesalahan penerimaan 12,02 %, sehingga kesalahan rata-rata sistem adalah 9,696 % dan menghemat kapasitas penyimpanan basis data. 2. Penelitian dari A.A.K.Oka Sudana yang menggunakan Metode Pola Busur Terlokalisasi untuk pengenalan Huruf Latin yang menghasilkan prosentase kesalahan minimum pada kombinasi konstanta pengali nilai ambang Cd bernilai 3 dan konstanta pemotongan nilai eigen q bernilai 2, yaitu prosentase kesalahan penolakan sebesar 71,3 % dan kesalahan penerimaan 4,3 %, sehingga kesalahan rata-rata sistem adalah 37,8 %. 3. Shin-ichi Kikuci, Takehiro Furuta, Takako Akakura yang menggunakan Metode Pola Busur Terlokalisasi untuk mengidentifikasi pelatihan periodik pada sistem e-test, penelitian ini menghasilkan rata-rata keberhasilan pengidentifikasian huruf kanji sebesar 86,64%. 4. Yoshimura, M. Shimizu,T. Yoshimura,I. yang menggunakan Metode Pola Busur Terlokalisasi untuk mengenali kode zip dimana penelitian ini memperoleh keakuratan hasil untuk mengenali kode sebesar 90,6%. 5. Penelitian I Komang Gede Suamba Dharmayasa yang menggunakan metode moment invariant dan LVQ untuk pengenalan karakter Aksara Bali. 6. Penelitian dari Tjokorda Agung BW, I Gede Rudy Hermanto, Retno Novi D yang menggunakan metode MDF dan LVQ untuk pengenalan karakter Aksara Bali
5
2.2. Fungsi Aksara di Era Modern Menurut Ong 1982 (Dalam Kutha Ratna,2005:149-150) menyebutkan bahwa tulisan memiliki beberapa ciri dalam zaman modern ini, yaitu: a) tulisan merupakan hasil teknologi komputerisasi dalam kebudayaan mutakhir, karena itu, tulisan bersifat kejam, b) tulisan
menghancurkan
memori,
manusia
menjadi
pelupa,
tulisan
memperlemah pikiran, c) tulisan tidak responsif, sebab manusia hanya berdialog dengan bahasa, dengan wacana, d) tulisan bersifat pasif sebab dihasilkan melalui dunia yang tidak alamiah. Terlepas dari beberapa kelemahan bahasa dan aksara di era modernisasi, namun perlu disadari bahwa dengan komputerisasi bahasa dan aksara akan mampu mengadopsi kemajuan teknologi komunikasi dewasa ini. Pada sisi lain juga, bahwa aksara dalam komputer dapat dikreasi dalam berbagai kepentingan praktis, narnun iidak menghilangkan hakikat dan makna yang disimbolkan oleh aksara dan bahasa itu sendiri. Menurut Sudewa (2005:212) menyebutkan sasaran komputerisasi teks Aksara Bali adalah sebagai berikut: 1) Menyunting teks Aksara Bali meng unakan pengolahan kata 2) Melacak teks Aksara Bali. 3) Membuat website dengan Aksara Bali, mengirim e-Maill dengan Aksara Bali. 4) Melakukan pemrosesan teks lainnya. seperti pencarian teks dan spell checking. 5) Melakukan pengenalan manuskrip Aksara Bali dan menyimpan hasilnya dalam teks komputer. 6) Dan pemrosesan teks lainnya yang biasa dilakukan dengan aksara latin.
2.3. Ejaan Bahasa Bali Menurut keputusan Pasamuhan Agung tersebut Ejaan Bahasa Bali dengan Huruf Latin itu disesuaikan dengan ejaan Bahasa Indonesia. maksudnya ialah: -
Ejaan itu dibuat sesederhana-sederhananya
6
-
Ejaan itu harus fonetik, artinya tepat atau mendekati ucapan yang sebenarnya
Berdasarkan hal- hal tersebut di atas, maka ditetapkan huruf- huruf yang dipakai untuk menuliskan Bahasa Bali dengan huruf Latin sebagai tersebut di bawah ini: •
Aksara suara (vokal): a, e, i, u, e. o (enam buah, telah diubah pepet dan taling sama)
•
Aksara wianjana (konsonan): h, n, c, r, k, g, t, m, ng, b, s, w, l, p, d, j, y, ny, (18 buah).
Kalau kita tuliskan huruf-huruf Bali yang ada sekarang dengan tulisan Bali Latin adalah sebagai berikut: 1. Aksara Suara Nomor Aksara Bali
Bali Latin a ê i u e o
2. Aksara Wianjana: Nomer Aksara Bali
Bali Latin
Nomer Aksara Bali Bali Latin
h/a
l
N
m
c
g
7
r
b
k
ng
d
p
t
j
s
y
w
ny
3. Pengangge Pangangge adalah lambang yang tidak dapat berdiri sendiri, ditulis dengan melekati suatu aksara wianjana maupun aksara suara dan mempengaruhi cara membaca dan menulis aksara Bali. Ada berbagai jenis pangangge, antara lain pangangge suara, pangangge tengenan dan pangangge aksara.
a. Pengangge Suara Bila suatu aksara wianjana (konsonan) dibubuhi pangangge aksara suara (vokal), maka cara membaca aksara tersebut akan berubah. Contoh: •
huruf Na dibubuhi ulu dibaca Ni.
•
Huruf Ka dibubuhi suku dibaca Ku.
•
Huruf Ca dibubuhi taling dibaca Cé.
•
Huruf Ha ada pengecualian, kadangkala bunyi /h/ diucapkan, kadangkala tidak. Hal itu tergantung pada kata dan kalimat yang ditulis.
8
Tabel 2.3 Daftar pengangge suara Huruf Latin
Alfabet Fonetis International
Letak penulisan
Nama
e; ě
[ə]
di atas huruf
pepet
ā
[aː]
di belakang huruf
tedung
i
[i]
di atas huruf
ulu
Suara dirgha (vokal panjang)
ī
[iː]
di atas huruf
ulu sari
Suara hresua (vokal pendek)
re; ṛ
[rə]
di bawah huruf
Guwung macelek
[rəː]
kombinasi di belakang dan bawah huruf
Guwung macelek matedung
Warga aksara
Kanthya (tenggorokan)
Talawya (langit-langit lembut)
Murdhanya (langit-langit keras)
Dantya (gigi)
Osthya (bibir)
Osthya (bibir)
Suara hresua (vokal pendek) Suara dirgha (vokal panjang) Suara hresua (vokal pendek)
Suara dirgha (vokal panjang) Suara hresua (vokal pendek) Suara dirgha (vokal panjang) Suara hresua (vokal pendek) Suara dirgha (vokal panjang)
Aksara Bali
ṝ
le; ḷ
[lə]
kombinasi di atas dan bawah huruf kombinasi di atas, bawah, dan belakang huruf
Gantungan La mapepet Gantung La mepepet lan matedung
ḹ
[ləː]
u
[u]
di bawah huruf
suku
ū
[uː]
di bawah huruf
Suku ilut
9
Kanthyatalawya (tenggorokan & langit-langit lembut)
Kanthyaosthya (tenggorokan & bibir)
Suara hresua (vokal pendek) Suara dirgha (vokal panjang) Suara hresua (vokal pendek)
e; é
[e]; [ɛ]
di depan huruf
taling
e; ai
[e]; [aːi]
di depan huruf
Taling detya
O
[o]; [ɔ]
mengapit huruf
Taling tedung
Suara dirgha (vokal panjang)
o; au
[o]; [aːu]
mengapit huruf
Taling detya matedung
b. Pengangge Tengenan Pangangge Tengenan (kecuali adeg-adeg) merupakan Aksara Wianjana yang bunyi vokal /a/-nya tidak ada. Pangangge tengenan terdiri dari: bisah, cecek, surang dan adeg-adeg. Tabel 2.4 Daftar Pengangge Tengenan
Simbol
Alfabet Fonetis International
Letak penulisan
Nama
[h]
di belakang huruf
bisah
[r]
di atas huruf
Surang
[ŋ]
di atas huruf
Cecek
-
di belakang huruf
Adegadeg
10
c. Pengangge Aksara Pangangge
Aksara letaknya
Aksara (kecuali la)
di
bawah aksara
merupakan gantungan
wianjana.
aksara
Pangangge
ardhasuara. Pangangge
aksara terdiri dari: Tabel 2.5 Daftar Pengangge Aksara Alfabet Fonetis Simbol
Nama
International
Simbol
[r]
Guwung/cakra
Alfabet Fonetis
Nama
International [w]
Suku kembung
[j]
nania
4. Gantungan Adeg-adeg tidak boleh dipasang di tengah kalimat, maka agar aksara wianjana bisa "mati" (tanpa vokal) di tengah kalimat dipakailah gantungan. Gantungan membuat aksara wianjana yang dilekatinya tidak bisa lagi diucapkan dengan huruf "a", misalnya aksara Na dibaca /n/, huruf Ka dibaca /k/, dan sebagainya. Dengan demikian, tidak ada vokal /a/ pada aksara wianjana seperti semestinya.
Setiap
aksara
wianjana
memiliki gantungan tersendiri.
Untuk
"mematikan" suatu aksara dengan menggunakan gantungan, aksara yang hendak dimatikan harus dilekatkan dengan gantungan. Misalnya jika menulis kata "Nda", huruf Na harus dimatikan. Maka, huruf Na dilekatkan dengan gantungan Da. Karena huruf Na dilekati oleh gantungan Da, maka Na diucapkan /n/. Gantungan dan pangangge diperbolehkan melekat pada satu huruf yang sama, namun bila dua gantungan melekat di bawah huruf yang sama, tidak 11
diperbolehkan. Kondisi dimana ada dua gantungan yang melekat di bawah suatu huruf yang sama disebut tumpuk telu (tiga tumpukan). Menghindari hal tersebut maka penggunaan adeg-adeg ditengah kalimat dibolehkan. 5. Angka Tabel 2.6 Daftar angka dalam Aksara Bali Aksara Bali
Aksara Latin
Nama (dalam bahasa bali)
0
Bindu/Windu
1
Siki/Besik
2
Kalih/Dua
3
Tiga/Telu
4
Papat
5
Lima
6
Nem
7
Pitu
8
Kutus
9
Sanga/Sia
Menulis angka dengan menggunakan angka Bali sangat sederhana, sama seperti sistem dalam Aksara Jawa dan Arab. Bila hendak menulis Angka 10, cukup dengan menulis Angka 1 dan 0 menurut Angka Bali. Demikian pula jika menulis Angka 25, 12
cukup menulis Angka 2 dan 5. Bila angka ditulis di tengah kalimat, untuk membedakan angka dengan huruf maka diwajibkan untuk menggunakan tanda carik, di awal dan di akhir angka yang ditulis.
6. Tanda Baca dan Aksara Khusus Ada beberapa aksara khusus dalam aksara Bali. Beberapa di antaranya merupakan tanda baca, dan yang lainnya merupakan simbol istimewa karena dianggap keramat. Beberapa di antaranya diuraikan sebagai berikut: Tabel 2.7 Daftar tanda baca dan aksara khusus Aksara Bali Simbol
Nama
Keterangan
Carik atau Carik Siki.
Ditulis pada akhir kata di tengah kalimat. Fungsinya sama dengan koma dalam huruf Latin. Dipakai juga untuk mengapit aksara anceng.
Carik Kalih atau Carik Pareren.
Ditulis pada akhir kalimat. Fungsinya sama dengan titik dalam huruf Latin.
Carik Pamungkah.
Dipakai pada akhir kata. Fungsinya sama dengan tanda titik dua pada huruf Latin.
Pasalinan.
Dipakai pada akhir penulisan karangan, surat dan sebagainya. Pada geguritan bermakna sebagai tanda pergantian tembang.
Panten atau Panti.
Dipakai pada permulaan suatu karangan, surat dan sebagainya.
13
Simbol
Nama
Keterangan
Pamada.
Dipakai pada awal penulisan. Tujuannya sama dengan pengucapan awighnamastu, yaitu berharap supaya apa yang dikerjakan dapat berhasil tanpa rintangan.
Ongkara.
Simbol suci umat Hindu. Simbol ini dibaca "Ong" atau "Om".
2.4. Pengenalan Pola Sebuah kamus Inggris mendefinisikan sebuah ‘pola’ (pattern) sebagai suatu contoh atau model. Sebuah pola juga merupakan tiruan dari suatu model, tetapi di saat menjelaskan berbagai tipe obyek dalam dunia fisik dan abstrak definisi yang muncul menyatakan bahwa sebuah pola adalah setiap antarhubungan data baik analog maupun digital, kejadian dan/atau konsep yang dapat diperbedakan (Sankar K. Pal, dkk, 1986). Bentuk wajah, meja, urutan nada sebait musik, tema sebuah sajak atau lagu, lintasan yang dibuat partikel pelat fotografik, kesemuanya merupakan tipe yang berlainan dari pola-pola. Jadi pengenalan wajah, sebait musik, lukisan, suara, tulisan tangan, sasaran militer, diagnosis penyakit dari gejalanya, semuanya merupakan masalah pengenalan pola. Manusia menjalankan tugas pengenalan di setiap saat kehidupannya, misalnya ketika mengenali suara seseorang lewat telepon, rasa suatu makanan, membaca koran dan lain sebagainya. Secara garis besarnya pengenalan pola dibedakan menjadi dua yaitu pengenalan pola langsung (konkret) dan tidak langsung (konseptual). Pengenalan pola langsung mencakup pengenalan visual dan aural spasial (karakter, gambar, sidik jari, tandatangan) dan temporal (muka gelombang, ucapan, ECG) di mana seseorang membutuhkan bantuan alat penginderaan (sensor). Pengenalan akan hal yang abstrak seperti konsep dan gagasan di satu pihak dapat dilakukan tanpa bantuan sensor. Kenyataan tersebut masing-masing diistilahkan sebagi pengenalan sensoris dan pengenalan tak langsung. Selain pengelompokan di atas, pengenalan pola juga dapat dibagi menjadi dua bagian yang didasarkan pada subyek pelaku pengenalan pola tersebut. Bagian 14
pertama adalah yang berhubungan dengan studi mekanisme pengenalan pola-pola oleh manusia atau jasad hidup lainnya. Bagian ini dihubungkan dengan disiplin ilmu misalnya fisiologi, psikologi, biologi dan lain sebagainya. Bagian kedua adalah mengenai pengembangan teori dan teknik untuk merancang sebuah alat yang dapat melakukan tugas pengenalan secara otomatis. Bidang ini berhubungan dengan teknik, komputer serta ilmu informatika. Khusus untuk pengenalan pola komputer dapat dipandang sebagai tugas ganda yang berisikan proses belajar (learning) perilaku-perilaku invarians dan lazim dari sekumpulan sampel yang mencirikan sebuah kelas, dan memutuskan sebuah sampel baru sebagai anggota kelas yang mungkin dengan catatan bahwa perilakunya lazim terhadap kumpulan sampel tersebut. Struktur umum sebuah sistem pengenalan pola terlihat pada Gambar 2.1 yang terdiri dari sensor (contohnya sensor citra atau kamera), mekanisme ekstraksi ciri, dan algoritma deskripsi atau klasifikasi. Sedangkan langkah pengoperasian yang perlu dalam mengembangkan serta melaksanakan aturan keputusan dalam sistem pengenalan pola praktis terlihat pada Gambar 2.2. Algoritma tentang kemungkinan umpan balik atau interaksi
(Statistik)
Data pola yang diobservasi
Algoritma klasifikasi
Sensor
Prapemrosesan dan Peningkatan
Algoritma ekstraksi ciri
Klasifikasi
(Sintaktik) Algoritma deskripsi
Deskripsi
Gambar 2.1 Struktur umum suatu sistem pengenalan pola
SISTEM FISIS
RUANG PENGUKURAN
RUANG CIRI
RUANG KEPUTUSAN
Gambar 2.2 Tahap pengoperasian suatu sistem pengenalan pola
15
Sebuah sistem fisis untuk tujuan pengenalan pola ditandai oleh beberapa perwujudan fisisnya, yang kembali dinyatakan secara numerik oleh beberapa kumpulan pengukuran yang membentuk ‘ruang pengukuran’. Pemilihan dan ekstraksi ciri dalam bidang pengenalan pola adalah suatu proses pemilihan sebuah pemetaan bentuk X = f(Y) yang menyebabkan sebuah sampel Y(y1, y2, …, yQ) dalam ruang Ωy berdimensi-Q ditransformasikan ke dalam suatu titik X(x1, x2, …, xN) dalam sebuah ruang ciri Ωx berdimensi-N. Ruang pola yang kini ditransformasikan menjadi ruang ciri dapat memiliki beberapa ciri yaitu : berdimensi terhingga, biasanya berdimensi relatif rendah (N < Q), dan mengandung cukup informasi secara memuaskan untuk memenuhi tugas klasifikasi. Fungsi f(Y) yang demikian itu akan meminimumkan jarak intraset dan memaksimumkan jarak interset dalam ruang ciri Ωx. Proses penurunan sebuah aturan keputusan berdasarkan sekumpulan sampel hingga yang telah diberi label untuk mengklasifikasikan suatu titik dalam ruang ciri yang bersesuian terhadap sampel yang tidak diberi label serta pelaksanaannya, disebut ‘klasifikasi pola’. Karena itu, pengenalan pola oleh komputer dijelaskan sebagai suatu transformasi dari ruang pengukuran (M), menjadi ruang ciri (F) dan akhirnya ke ruang keputusan (D). M ÆFÆD
………………………………(2.1)
Hal tersebut menyebabkan di dalam pendekatan teoritik keputusan, sekali sebuah pola ditransformasikan melalui pemilihan dan ekstraksi ciri, menjadi sebuah Vektor X dalam ruang ciri Ωx, karakteristiknya hanya dapat dinyatakan oleh sekumpulan nilai-nilai numerik dalam suatu vektor.
2.5. Metode Pola Busur Terlokalisasi Metode Pola Busur Terlokalisasi ini dikembangkan dari Metode Pola Busur (Arc Pattern Method). Prinsip metode ini adalah sebagai berikut : dua buah titik akhir (end point) masing-masing A dan B dihubungkan oleh busur-busur (seperti yang tampak pada Gambar 2.3). Pada gambar tersebut juga dapat dilihat lima buah titik yang berjarak sama ditempatkan di atas busur yang disebut dengan titik karakteristik (characterizing points). Titik-titik inilah yang nantinya akan menyusun pola dari model yang dipergunakan sebagai karakteristik Aksara Bali. 16
Titik karakteristik
Titik akhir
B l=3 l=2
B l=0 l= -1 l= -2 l= -3
l=1
Jarak End point Titik akhir
A
A
Jari-jari OA =2AB / l
O
Gambar 2.3 Pola busur dalam bentuk asli
Berdasarkan Metode Pola Busur tersebut disusun model yang terdiri atas satu atau dua buah titik akhir (end point) dan beberapa titik diantara dua titik akhir. Kombinasi itu akan menghasilkan model yang banyak sekali, tetapi untuk sistem aktual, tidak semua pola model (model pattern) yang dipergunakan karena akan sangat memperlambat kerja sistem. Masalah ini ditanggulangi dengan mengurangi sebagian pola model yang ada. Satu ide untuk merealisasikan pengurangan pola model ini dengan melakukan pembatasan pandangan (lokalisasi permasalahan) pada pola model yang didefinisikan di dalam sebuah bujur sangkar kecil berukuran 5 x 5 kotak. Hanya kemungkinan-kemungkinan model yang dibentuk oleh titik karakteristik dalam bujur sangkar inilah yang dipergunakan sebagai pedoman untuk membentuk pola model. Metode Pola Busur dengan pembatasan inilah yang disebut dengan Pola Busur Terlokalisasi. Berdasarkan pembatasan tersebut Isao Yoshimura dan Mitsu Yoshimura mendapatkan 77 buah pola model seperti yang terlihat pada Gambar 2.4 Ada beberapa model yang mirip atau sejenis dikelompokkan menjadi satu model, contohnya seperti Nomor 5 dan 6 yang identik dikelompokkan menjadi satu jenis pola model yaitu Model 5. Berdasarkan pengelompokan yang dilakukan, akhirnya didapatkan sebanyak 67 pola model. Pola model yang terlihat pada Gambar 2.4 tersebut yang akan digunakan untuk mengekstraksi ciri dari citra biner Aksara Bali. Pada gambar tersebut angka di sebelah kiri menunjukkan nomor pola, sedangkan angka yang di sebelah kanan menunjukkan nomor model.
17
No.1 Model 1
No.2 Model 2
No.3 Model 3
No.4 Model 4
No.5 Model 5
No.6 Model 5
No.7 Model 6
No.8 Model 7
z
z
No.10 Model 8
No.11 Model 9
No.17 Model 15
No.18 Model 16 No.19 Model 17
z
No.25 Model 21
No.26 Model 22 No.27 Model 23
z
No.33 Model 29 No.34 Model 30 No.35 Model 31
z
z
No.50 Model 44 No.51 Model 45
z
z
No.58 Model 50 No.59 Model 51
z
z
No.65 Model 57
z
z
z
z
z
z
z
z
No.73 Model 64
z
z
z
z
No.74 Model 64 No.75 Model 65 No.76 Model 66
z
z
z
z
No.64 Model 56
z
No.68 Model 60 No.69 Model 61
No.56 Model 49
No.62 Model 54 No.63 Model 55
z
z
No.54 Model 47 No.55 Model 48
No.60 Model 52 No.61 Model 53
z
z
z
No.48 Model 42
No.52 Model 45 No.53 Model 46
No.66 Model 58 No.67 Model 59
z
z
No.46 Model 40 No.47 Model 41
z
No.70 Model 62 No.71 Model 62 No.72 Model 63
z
No.40 Model 35
z
z
No.32 Model 28
No.38 Model 33 No.39 Model 34
z
No.57 Model 50
z
z
No.44 Model 38 No.45 Model 39
No.49 Model 43
z
z
No.42 Model 36 No.43 Model 37
z
z
z
z
No.41 Model 35
z
z
No.24 Model 21
z
No.36 Model 32 No.37 Model 33
No.30 Model 26 No.31 Model 27
z
No.28 Model 24 No.29 Model 25
z
z
No.22 Model 19 No.23 Model 20
z
z
z
z
z
No.20 Model 18 No.21 Model 19
z
z
z
z
z
z
z
No.12 Model 10 No.13 Model 11 No.14 Model 12 No.15 Model 13 No.16 Model 14
z
z
z
z
z
No.9 Model 7
z
z
z
No.77 Model 67
z
z
z
z
Gambar 2.4 Pola model dalam Metode Pola Busur Terlokalisasi
2.6 Nilai Eigen dan Vektor Eigen Kata “vektor eigen” berasal dari ramuan bahasa Jerman dan Inggris. Dalam Bahasa Jerman “eigen” dapat diinterpretasikan “karakteristik”. Oleh karena itu nilai eigen dapat juga disebut dengan nilai karakteristik dari suatu matriks, sedangkan vektor eigen adalah vektor karakteristik dari matriks yang selalu bersesuaian dengan nilai eigen (Howard, 1995, hal.277).
18
Jika A adalah matriks n x n, maka vektor taknol x di dalam Rn dinamakan vektor eigen dari A jika A . x adalah kelipatan skalar dari x, yaitu : A . x = λx
…………………………….(2.2)
untuk suatu skalar λ. Skalar λ dinamakan nilai eigen dari A dan x dikatakan vektor eigen yang bersesuaian dengan λ. Untuk mencari nilai eigen Matriks A yang berukuran n x n maka kita menuliskan kembali A . x = λx sebagai : A . x = λI . x
…………………………….(2.3)
(λI − A) . x = 0
…………………………….(2.4)
Atau secara ekivalen Supaya λ menjadi nilai eigen, maka harus ada pemecahan tak nol dari persamaan ini, yang determinannya adalah : det(λΙ − Α) = 0
…………………………….(2.5)
Persamaan ini dinamakan persamaan karakteristik A. Skalar yang memenuhi persamaan tersebut adalah nilai eigen dari A. Suatu polinom dalam λ berderajat n dalam persamaan det(λΙ − Ι) = 0 dinamakan polinom karakteristik dari A. Jadi polinom karakteristik Matriks A (n x n) adalah :
λ n + c1λ n-1 + c2λ n-2 + … + cn
…………………………….(2.6)
Mencari akar persamaan karakteristik untuk mendapatkan nilai eigen biasanya sangat sulit dikomputasi, karena itu dikembangkan berbagai cara pemecahannya yang lebih mudah dikomputasi. Cara yang dikembangkan ini disesuaikan dengan jenis matriks, tipe nilai eigen dan vektor eigen yang dibutuhkan (real atau kompleks), serta apakah semua nilai eigen atau vektor eigen yang harus dihitung. Penelitian ini pada proses pengenalannya menggunakan perhitungan yang memanfaatkan semua vektor eigen dan nilai eigen bertipe real yang ada, sedangkan matriks yang diolah berbentuk simetris, maka metode komputasi yang paling sesuai digunakan adalah dengan Transformasi Jacobi (Jacobi Transformations). Sebelumnya akan dipaparkan terlebih dahulu mengenai diagonalisasi matriks yang mendasari Transformasi Jacobi tersebut.
19
2.6.1 Diagonalisasi Matriks Matriks bujur sangkar A dikatakan dapat didiagonalisasi secara ortogonal jika terdapat Matriks P yang ortogonal sehingga P-1 . A . P ( = Pt . A . P) diagonal, dalam hal ini Matriks P dikatakan mendiagonalisasi A secara ortogonal. Persamaan (2.4) mendapatkan vektor eigen yang berbentuk vektor kolom yang dikalikan dari sebelah kanan dengan Matriks A, biasanya secara eksplisit disebut sebagai vektor eigen kanan. Sedangkan untuk mendapatkan vektor eigen berbentuk vektor baris, maka dikalikan dari sebelah kiri dengan Matriks A, yaitu : x . A = λx
…………………………….(2.7)
Vektor baris x disebut dengan vektor eigen kiri. Dengan memperoleh transpos dari Persamaan (2.7), dapat dilihat bahwa setiap vektor eigen kiri adalah transpos dari vektor eigen kanan Matriks A. Jika dilakukan pembandingan terhadap Persamaan (2.5), menggunakan definisi determinan matriks sama dengan determinan
dari
transposnya, maka dapat dilihat bahwa nilai eigen kiri dan kanan Matriks A adalah identik satu sama lainnya. Misalkan Matriks XR terbentuk oleh vektor kolom yaitu vektor-vektor eigen kanan, dan Matriks XL terbentuk oleh vektor baris yaitu vektor-vektor eigen kiri, maka Persamaan (2.2) dan (2.7) dapat ditulis dengan bentuk sebagai berikut : A . XR = XR . diag(λ1...λN) ………………………..(2.8) XL . A = diag(λ1...λN) . XL
………………………(2.9)
dengan ketentuan bahwa diag(λ1...λN) adalah matriks diagonal yang diagonal utamanya berturut-turut mempunyai nilai λ1, λ2, ...λN. Dengan mengalikan Persamaan (2.8) di sebelah kiri dengan XL, Persamaan (2.9) dengan XR dari sebelah kanan, dan selanjutnya mengurangkan keduanya, didapatkan : (XL . XR) . diag(λ1...λN) = diag(λ1...λN) . (XL . XR) ….
(2.10)
Dengan mengalikan Persamaan (2.8) dengan XL, dan menggunakan kenyataan bahwa XL dan XR Matriks invers, maka didapat : XR-1 . A . XR = diag(λ1...λN)
………………………(2.11)
Berikut merupakan transformasi similariti (similarity transform) dari Matriks A, untuk mentransformasikan Matriks Z : A Æ Z-1 . A . Z
……………………..
(2.12)
Transformasi similariti seperti di atas memainkan peranan yang sangat penting dalam komputasi nilai eigen, sebab nilai eigen sebuah matriks tidak akan berubah 20
dengan dilakukannya transformasi ini. Secara mudahnya dapat dilihat dengan bentuk sebagai berikut : det |Z-1 . A . Z - λI|
= det |Z-1 . (A - λI) . Z| =
det|Z| det|A - λI| det| Z-1|
=
det | A - λI |
………………………(2.13)
Persamaan (2.12) memperlihatkan bahwa matriks yang memiliki vektor eigen lengkap dapat didiagonalisasi dengan transformasi similariti, kolom
matriks
transformasi dapat menyebabkan diagonalisasi dari vektor eigen kanan, sedangkan baris dari invers matriks ini adalah vektor eigen kiri. Matriks yang elemen-elemennya adalah bilangan real, matriks simetris, vektor eigennya juga real dan ortonormal, maka matriks transformasi dari matriks tersebut adalah matriks ortogonal. Transformasi similariti dari transformasi ortogonalnya ditunjukkan dengan bentuk sebagai berikut : A Æ Zt . A . Z
………………………(2.14)
Strategi terbaik yang sering dipergunakan untuk mendapatkan sistem eigen adalah mendekatkan Matriks A ke bentuk matriks diagonal dengan melakukan operasi transformasi similariti secara berturut-turut, seperti yang terlihat pada Persamaan (2.15) berikut : A Æ P1-1 . A . P1 Æ P2-1 . P1-1 . A . P1 . P2
Æ P3-1 . P2-1 . P1-1 . A . P1 . P2 . P3 Æ dst. ……………... (2.15) Jika bentuk diagonal semuanya didapat, maka vektor eigennya merupakan kolom dari akumulasi transformasi berikut ini : XR = P1 . P2 . P3 . …
………………………(2.16)
2.6.2 Transformasi Jacobi Matriks Simetris Metode Jacobi (William H. Press, 1992, hal.463) terdiri dari urutan transformasi similariti ortogonal seperti yang terlihat pada Persamaan (2.15). Setiap transformasi (sebuah rotasi Jacobi) adalah sebuah operasi yang didesain untuk mengenolkan elemen-elemen di luar diagonal utama matriks. Transformasi yang dilakukan tidak langsung menghasilkan nol, akan tetapi jika transformasi berturutturut dilakukan maka akan menghasilkan nilai di luar diagonal utama yang semakin kecil atau semakin mendekati nol. Transformasi dihentikan sampai batas toleransi yang ditetapkan. Batasan toleransi ditentukan dengan nilai yang sangat kecil, 21
batasan toleransi ini akan berpengaruh pada pendekatan kebenaran nilai eigen yang dihasilkan. Akumulasi hasil dari transformasi ini mendapatkan matriks vektor eigen (Persamaan 2.16). Elemen dari diagonal matriks yang terakhir didapat adalah merupakan Nilai Eigen. Dasar dari Rotasi Jacobi Ppq adalah sebuah matriks bujur sangkar dengan elemen-elemennya seperti yang terlihat pada matriks berikut :
P pq
⎡1 ⎢ ⎢ ⎢ ⎢ = ⎢ ⎢ ⎢ ⎢ ⎢⎣
L c M
−s
L 1
s M
L
c L
⎤ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ 1 ⎥⎦
………………(2.17)
Matriks di atas menunjukkan, semua elemen diagonal diberikan nilai 1, kecuali dua elemen c dalam baris (dan kolom) p dan q. Semua elemen non-diagonal utama adalah nol kecuali elemen s dan –s. Bilangan c dan s adalah nilai kosinus dan sinus dari sudut rotasi φ, dengan c2 + s2 = 1. Rotasi seperti yang terlihat pada Persamaan 2.17, digunakan untuk mentransformasikan Matriks A dengan aturan:
A' = Ppqt . A.Ppq
………………………(2.18)
Pada Operasi , yang berubah hanyalah baris p dan q dari Matriks A, sedangkan pada yang P t . A berubah hanya kolom p dan q. Perubahan elemen-elemen A pq dalam Persamaan 2.18, yaitu hanya pada baris p dan q, serta kolom p
A.Ppq
dan q dinyatakan dalam bentuk matriks sebagai berikut :
⎡ ⎢ M ⎢ ⎢ a ' p1 ⎢ A' = ⎢ M ⎢ a ' q1 ⎢ ⎢ M ⎢ ⎣
L a '1 p
L a '1q
M
M
L a ' pp L a ' pq M M L a ' qp M
L a ' qq M
L a ' np
L a ' nq
⎤ M ⎥ ⎥ L a ' pn ⎥ ⎥ M ⎥ L a ' qn ⎥ ⎥ M ⎥ ⎥ L ⎦
L
……………... (2.19)
Memakai hasil perkalian Persamaan 2.18, dengan A adalah matriks simetris, maka: a ′ rp = ca rp − sa rq
……........................... (2.20)
′ = ca rq + sa rp a rq
……........................... (2.21) 22
r ≠ p, r ≠ q a ′pp = c 2 a pp + s 2 a qq − 2 sca pq …............................... (2.22) ′ = s 2 a pp + c 2 a qq − 2 sca pq a qq
……........................... (2.23)
a ′pq = (c 2 − s 2 )a pq + sc(a pp − aqq )
……................(2.24)
Metode Jacobi dicoba untuk mengenolkan elemen-elemen non diagonal utama dengan urutan rotasi seperti yang disebutkan di atas. Dengan menentukan nilai a’pq = 0, Persamaan 2.24 menghasilkan ekspresi untuk sudut rotasi φ :
θ ≡ cot 2φ ≡
c 2 − s 2 a qq − a pp = 2 sc 2a pq
……............... (2.25)
Jika ditentukan t ≡ s/c, definisi dapat ditulis kembali dalam bentuk : t 2 + 2tθ − 1 = 0
…….......................... (2.26)
Jika sudut rotasi kurang dari π/4 maka akan mendapatkan akar kwadrat kecil yang dicari dengan menggunakan persamaan : t=
sgn(θ )
θ + θ 2 +1
…….......................... (2.27)
sgn(θ) = -1 jika θ < 0, selain itu sgn(θ) = 1. Sedangkan θ jika besar, θ2 akan menghasilkan nilai yang bisa menyebabkan kesalahan perhitungan (overflow pada komputer). Hal tersebut diatasi dengan menentukan t = 1/(2θ), maka didapat : c=
1 t +1 2
s = tc
…….........................(2.28) …….........................(2.29)
Guna mengurangi kesalahan yang terjadi pada perhitungan dari Persamaan 2.20 – 2.24, maka Persamaan 2.24 diganti dengan : a ′pq = 0
…….........................(2.30)
adalah ide dalam memperbaharui persamaan dengan memberikan nilai yang sama pada nilai lama ditambah dengan sedikit koreksi. Untuk itu Persamaan 2.24 dan 2.30 dapat digunakan untuk mengeliminasi aqq dari Persamaan 2.22, didapat: a ′pp = a pp − ta pq
…….........................(2.31)
Begitu juga terhadap persamaan lainnya, yang menghasilkan persamaan berikut: 23
′ = a qq + ta pq a qq
…….........................(2.32)
′ = arp − s (arq + τarp ) ……..........................(2.33) arp a ′rq = a rq + s (a rp − τa rq )…….........................(2.34)
di mana τ (= tg φ /2) didefinisikan dengan:
τ≡
s 1+ c
…….........................(2.35)
Konvergensi metode Jacobi didapat dengan menjumlahkan kwadrat dari elemen non diagonal utama, yaitu dengan persamaan :
S = ∑ a rs
2
…….........................(2.36)
r≠s
Sehingga Persamaan 2.21 – 2.25 dapat diimplementasikan dengan: 2
S ′ = S − 2 a pq …….........................(2.37) Setelah dilakukan operasi berulang-ulang sampai batasan mesin precision yang diijinkan, maka didapat matriks diagonal D. Elemen-elemen pada diagonal utama Matriks D inilah merupakan nilai eigen Matriks A. Dengan kata lain D didapat melalui persamaan : D = Vt . A . V
…….........................(2.38)
V = P1 . P2 . P3
…….........................(2.39)
Kolom-kolom Matriks V adalah vektor eigen dari Matriks A, yang urutannya bersesuaian dengan nilai eigennya masing-masing.
2.7. Unjuk Kerja Sistem
Unjuk kerja suatu sistem pengenalan diukur berdasarkan nilai rata-rata kesalahan. Nilai rata-rata kesalahan ini ada dua macam, yaitu: i.
Rata-rata kesalahan tipe I (FRR : false rejection rate)
Kesalahan yang terjadi penolakan mengenali karakter Aksara Bali yang sama, atau tidak dikenalinya aksara yang sudah terdaftar. ii. Rata-rata kesalahan tipe II (FAR : false acceptance rate)
Kesalahan penerimaan yaitu yang terjadi karena mengenali aksara input sebagai Aksara Bali yang berbeda.
24
Kesalahan (%)
ϖ j1
ϖ
j
Tipe I (FRR)
Tipe II (FAR)
2 Diterima
ωj1
Ditolak
ωj2 Cc
0
Cc
(a)
Nilai ambang
Kesalahan (%)
ϖ j1
ωj1
Tipe I (FRR)
FA FR
ϖ j2
Tipe II (FAR)
Diterima
Ditolak
ωj2 0
Cc (b)
Cc
Nilai Ambang
Gambar 2.5
Pembagian kelompok (dikenali/tidak) dan evaluasi rata-rata kesalahan nilai beda (a) ideal; (b) kenyataan Kedua nilai rata-rata kesalahan itu berubah menurut nilai ambang atau nilai kritis penerimaan yang dipakai. Kondisi ideal masalah ini digambarkan pada Gambar 2.5(a). Kondisi ideal terjadi apabila ciri-ciri karakter Aksara Bali yang signifikan dapat diekstraksi sedemikian rupa sehingga dapat memisahkan antara satu karakter dengan karakter lainnya. Tidak akan terjadi imitasi pada kondisi ideal ini, akan tetapi di dalam kondisi praktis, permasalahan pemilihan ciri tidak dapat diselesaikan dengan baik, maka pengenalan karakter tersebut tidak dapat dipisahkan secara optimal. Kondisi ini digambarkan pada Gambar 2.5(b). Gambar 2.5 tersebut juga menunjukkan kesulitan untuk mengevaluasi beberapa sistem pengenalan yang berbeda karena nilai ambang masing-masing sistem berbeda dan dicoba pada basisdata Aksara Bali yang berbeda pula, atau hasil evaluasi sangat tergantung pada spesifikasi sistem dan basisdata yang dipakai
25
BAB III. METODE PENELITIAN 3.1. Tempat dan Waktu Penelitian
Penelitian mengenai Pengembangan Pola Khusus berbasis Metode Pola Busur Terlokalisasi ini dilakukan di Bali, khususnya di Denpasar, Badung, Tabanan, Gianyar, Klungkung dan Bangli. Waktu pengambilan data tersebut dilaksanakan selama Bulan Juli sampai dengan Agustus 2012 melalui penelitian langsung dilapangan dengan mengambil foto aksara dari sumber buku-buku bacaan Aksara Bali dan Lontar. Pengembangan dan implementasi sistem dilakukan di Laboratorium Komputasi, Jurusan Teknologi Informasi, Fakultas Teknik Uiversitas Udayana Denpasar.
3.2.
Data
3.2.1. Sumber Data
Sumber data yang dipakai sebagai sampel Aksara Bali yang digunakan untuk melakukan pembentukan pola model dan pengujian sistem pengenalan karakter ini adalah sebagian diambil dari data citra Aksara Bali dalam penelitian I Komang Gede Suamba Dharmayasa (Dharmayasa, 2009). Sampel Aksara Bali yang digunakan diperoleh dari hasil scan buku ajar Bahasa Bali yang diambil menggunakan segmentasi per blok karakter dan juga dari internet. Pola Model dari Pola Busur Terlokalisasi yang digunakan dalam penelitian ini adalah pola model yang dikembangkan dari bentuk pola busur dan dipilih sesuai dengan frekuensi kemunculan terbanyak khusus untuk citra Aksara Bali, serta pola model pembanding pada saat pengujian unjuk kerja sistem dari Prof. Isao Yoshimura (Yoshimura, 1993) dan AA. Kompiang Oka Sudana (Sudana, 2007).
3.2.2.
1.
Metode Pengumpulan Data
Metode Observasi, yaitu pengumpulan data dengan mengadakan penelitian secara langsung pada instansi-instansi yang terkait.
2.
Metode Interview, yaitu pengumpulan data dengan mengadakan wawancara dan tanya jawab secara langsung pada pihak-pihak yang terkait.
3.
Metode Studi Literatur, yaitu mengumpulkan data dari buku-buku referensi, modul-modul yang relevan dengan objek permasalahan. 26
3.3. Bahasa Pemrograman
Bahasa pemrograman yang digunakan pada Penelitian Pengembangan Pola Khusus berbasis Metode Pola Busur Terlokalisasi ini adalah Borland Delphi 7.2. Perangkat lunak lain yang diperlukan adalah program paket pengolahan citra, dan dipergunakan pada tahapan prapemrosesan seperti Paint Shop Pro.
3.4. Metode Penyelesaian Masalah
Langkah-langkah yang dilakukan dalam penelitian ini adalah: 1. Pengumpulan literatur yang berhubungan dengan perancangan dan pembuatan perangkat lunak pengenalan karakter. 2. Mempelajari dan memahami proses yang terjadi dalam perancangan dan pembuatan perangkat lunak pengenalan karakter. 3. Penyusunan perangkat lunak (software). 4. Pengujian perangkat lunak (software). 5. Analisis hasil dan pengambilan kesimpulan.
3.5. Perangkat Pemodelan Sistem
3.5.1
Gambaran Umum Sistem Pengenalan Karakter Aksara Bali
Gambaran Umum Sistem yang dirancang pada sistem ini adalah seperti terlihat pada Gambar 3.1 berikut:
27
Pengembang sistem
Proses pembuatan pola model
Masukan citra karakter Aksara Bali
Masukan citra karakter Aksara Bali
Basisdata pola model
Proses pendaftaran Proses Pencocokan dengan Semua Basisdata Aksara
Keluaran nilai ketidaksamaan terkecil dan ID Aksara
Basisdata acuan
Proses Pencarian Nilai Terkecil Ketidaksamaan
Nilai threshold
Proses Pengambilan Keputusan
Laporan hasil pengenalan
Gambar 3.1 Gambaran Umum Sistem Pengenalan Aksara Bali
3.5.2
Pembentukan dan Pemilihan Pola Model
Pembentukan pola model baru yang didasarkan pada batasan-batasan dalam Metode Pola Busur Terlokalisasi untuk Tulisan Jepang dan Tandatangan Latin dengan tujuan untuk mengurangi banyaknya pola model yang digunakan, sehingga waktu proses sistem bisa lebih singkat. Batasan utamanya yaitu lokalisasi permasalahan pada pola model yang didefinisikan di dalam sebuah bujur sangkar kecil berukuran 5 x 5, tetapi pemilihannya berbasis pada sampel Aksara Bali yang dimiliki.
28
3.5.3 Tahapan Pengenalan Karakter Aksara Bali
Secara umum dalam pengolahan citra, untuk mendapatkan informasi yang terkandung di dalamnya maka biasanya dilakukan proses-proses pendahulu pada citra tersebut. Setelah itu baru dilakukan proses-proses berikutnya yang berkenaan dengan informasi apa yang diinginkan untuk diolah, demikian juga halnya pada pengenalan Tulisan Bali. Adapun tahapan-tahapan yang dilakukan dalam sistem Pengenalan Karakter Aksara Bali, khususnya Metode Pola Busur Terlokalisasi adalah sebagai berikut: i. Akuisisi data (data acquisition)
Akuisisi data merupakan proses pengubahan data dari data analog Aksara Bali, menjadi citra dengan scanner. Citra yang disimpan dalam format file bitmap berupa data kasar dan selanjutnya akan diproses pada tahapan selanjutnya.
ii. Pra pemrosesan (preprocessing)
Tahap awal pra pemrosesan ini, jika file bitmap yang dihasilkan pada tahap pengambilan data belum berbentuk dua warna (hitam putih) maka terlebih dahulu dilakukan konversi menjadi data citra dua warna (proses binerisasi), karena citra Aksara Bali yang nantinya diperlukan berupa citra biner. Setelah itu dilakukan eliminasi terhadap data yang tidak diperlukan, guna memastikan bahwa data yang akan diproses pada tahapan berikutnya sudah merupakan data yang sahih.
iii. Ekstraksi ciri (feature extraction)
Setelah data tersebut diolah menjadi data jadi pada tahap pra proses, kemudian dilakukan ekstraksi ciri dari citra biner Aksara Bali. Ciri-ciri yang diekstraksi bergantung pada metode yang dipakai dalam proses pembandingan nantinya, yang mana dalam penelitian ini digunakan adalah pola model khusus untuk Aksara Bali dari Metode Pola Busur Terlokalisasi yang mana diantara model pola-polanya terlihat pada Gambar 2.4. Aksara Bali yang telah berbentuk citra biner akan langsung diproses untuk mendapatkan frekuensi kemunculan masing-masing pola. Pola yang memiliki nomor model yang sama tetapi dengan nomor urut
29
berbeda, frekuensi kemunculannya dijumlahkan untuk mendapatkan frekuensi kemunculan dari pola model tersebut. Cara penghitungannya adalah dengan menggerakkan setiap pola model di atas pola biner citra Aksara Bali, sebagai patokan adalah titik yang berbentuk lingkaran penuh. Titik ini digeser secara teratur satu grid ke arah horisontal atau vertikal, sampai semua titik pada citra biner Aksara Bali terlewati. Setiap pergeseran dilakukan pembandingan terhadap ruang yang dilingkupi oleh model tersebut, apakah sama ataukah tidak. Jika sama maka frekuensi kemunculan pola model tersebut ditambahkan. Misalkan citra Aksara Bali dilambangkan dengan f dan terdapat 23 pola model maka citra Aksara Bali tersebut dapat diekspresikan sebagai vektor kolom x berdimensi p, dengan p adalah 23 yaitu sesuai dengan pola model yang ada. Dalam matriks bentuk tersebut dapat dituliskan sebagai berikut : ⎡ x1 ⎤ ⎢ x2 ⎥ x=⎢ ⎥ ⎢M⎥ ⎢ ⎥ ⎣ x 23 ⎦
.......................................(3.1)
Elemen-elemen x yaitu x1, x2,… x23 adalah frekuensi kemunculan dari masing-masing pola model sesuai dengan nomor modelnya.
iv. Pendaftaran (enrollment)
Tahapan pendaftaran Aksara Bali acuan dilakukan dengan mengekstraksi ciri dari beberapa Aksara Bali acuan dan hasil yang diperoleh disimpan pada sebuah file basisdata acuan. Misalkan masing-masing Aksara Bali ke i disebut dengan Pi digunakan sebagai Aksara Bali acuan sebanyak m, maka dari m buah Aksara Bali ini diekstraksi ciri menggunakan Metode Pola Busur Terlokalisasi menghasilkan m buah vektor kolom x berdimensi p, hasil ini dijadikan satu matriks vektor berukuran p x m dengan bentuk sebagai berikut : ⎡ x11 x12 L x1m ⎤ ⎢ x 21 x 22 L x 2 m ⎥ ⎥ Pi = ⎢ ⎢M M M ⎥ ⎢ ⎥ ⎣ xp1 xp 2 L xpm ⎦ 30
………………………(3.2)
Nilai m yang digunakan pada sistem ini adalah 3 Aksara Bali yang diambil dari beberapa buku cetak, dengan pertimbangan bahwa 3 Aksara Bali tersebut diharapkan mampu untuk mewakili variasi yang ada dari sebuah karakter Aksara Bali, di samping itu sistem nantinya bekerja dengan tidak terlalu lambat. Jadi ukuran matriks vektor acuan pada sistem pengenalan ini adalah 23 x 3 untuk 23 pola model serta 42 x 3 untuk 42 pola model. Matriks vektor yang didapatkan disimpan pada basisdata acuan dengan kata kunci nomor identitas Aksara Bali.
v. Pembandingan (comparison)
Tahap pembandingan merupakan inti dari keseluruhan proses pengenalan. Pada tahap pembandingan ini, ciri citra Aksara Bali masukan akan dibandingkan dengan ciri acuan yang ada pada basis data. Pada tahap inilah dilakukan perhitungan-perhitungan dari frekuensi yang didapat pada proses ekstraksi ciri. Berdasarkan proses pembandingan tersebut didapatkan nilai ketidaksamaan (dissimilarity measure) masing-masing acuan dengan citra input. Nilai ketidaksamaan atau nilai beda inilah yang digunakan sebagai dasar untuk pengambilan keputusan hasil pengenalan. Basisdata acuan dibaca satu record data acuan karakter. Acuan yang berbentuk matriks p x m ini selanjutnya dihitung rata-rata kemunculan setiap pola model dengan cara : m
xi = ∑ k =1
xik
m …………………………………………….(3.3)
Nilai-nilai yang dihasilkan yaitu x1/, x2/, … xp/, ditempatkan sebagai elemen vektor kolom x/ berdimensi p, yang merupakan rata-rata acuan. Lalu dicari matriks varians V berdimensi p x p dari acuan dengan persamaan: m
V = ∑ (xj − x / )( xj − x / ) / m ……………....(3.4) t
j =1
Mencari frekuensi kemunculan pola model pada citra karakter yang dibandingkan sama halnya dengan mencari frekuensi pola model acuan. 31
Misalkan Aksara Bali yang dibandingkan disebut Q maka vektor kolom hasilnya adalah xq. Varians V, rata-rata acuan x/ dan vektor kolom xq, digunakan menghitung nilai beda (Yoshimura I. dkk, 1994, hal.61) dengan persamaan sebagai berikut: q
D( Pi, Q ) = ∑
( Z Qk − Z /k ) 2
k =1
λk
+
p
∑
( Z Qk − Z /k ) 2
k = q +1
λq
Z Qk = lkt xQ ……………………………………….
... (3.5)
(3.6)
Z /k = l kt x / ………………………………………...(3.7) dengan ketentuan : ¾ D(Pi,Q) : nilai ketidaksamaan antara acuan Pi dengan pembanding Q. ¾ λ
: vektor kolom yang berisi nilai eigen dengan urutan menurun (descending order) yaitu (λ1, λ2, λ3, …, λp)
¾ lk
: vektor eigen yang berbentuk vektor kolom terurut sesuai dengan nilai eigen yang berhubungan.
¾ xQ
: vektor kolom yang berisi frekuensi munculnya pola model pada citra karakter pembanding.
¾ x/
: vektor kolom rata-rata acuan.
¾ t
: transpose.
¾ p
: dimensi vektor kolom
¾ q
: suatu integer dengan syarat 1 ≤ q ≤ p. Konstanta q merupakan nomor pemotongan dari nilai eigen.
vi. Perancangan Basis Data Acuan
Perancangan basisdata acuan adalah merupakan proses pembentukan file basisdata yang akan dijadikan acuan pada saat proses pengenalan. Metode yang dipakai dalam pembuatan data acuan mengacu pada metode Leave-One-Out, yang menyarankan pembentukan basisdata dari sampel Aksara Bali yang dimasukkan, menggunakan sebanyak 3 sampai 10 buah Aksara Bali untuk sebuah karakter. Dalam pengerjaan sistem pengenalan ini digunakan 6 buah sampel Aksara Bali untuk masingmasing karakter, dengan perincian : 3 Aksara Bali untuk acuan serta 3 32
Aksara Bali sisanya sebagai pembanding untuk menentukan nilai ambang. Tahap perancangan basisdata acuan terdiri dari dua pokok penting yaitu pendaftaran Aksara Bali acuan dan penentuan nilai ambang batas yang akan disimpan dalam satu record dengan kata kunci nomor identitas. Setelah dilakukan proses pendaftaran tersebut dilanjutkan dengan membandingkan Aksara Bali yang akan dipergunakan untuk menentukan nilai ambang. Berdasarkan hasil pembandingan tiga Aksara Bali ini didapatkan nilai ketidaksamaannya masing-masing. Median dari nilai ketidaksamaan inilah yang disimpan pada basisdata acuan melengkapi frekuensi sampel sebelumnya, dan dipergunakan sebagai nilai ambang (threshold) atau nilai kritis yang dikalikan dengan suatu konstanta Cd. Nilai kritis dilambangkan dengan Cc. Besarnya konstanta pengali nilai kritis untuk keseluruhan sistem ditentukan melalui proses pengujian, yang dipengaruhi oleh prosentase terjadinya kesalahan.
vii. Pengambilan keputusan (decision making)
Tahap
ini
bertugas
untuk
memberikan
keputusan
dari
proses
pembandingan yang telah dilakukan. Nilai-nilai ketidaksamaan yang didapatkan pada proses sebelumnya diurutkan. Identitas acuan dengan nilai ketidaksamaan terkecil dan memenuhi nilai ambang batas (thereshold) diputuskan sebagai jenis karakter Aksara Bali yang sesuai dengan citra Aksara Bali yang diinputkan. Jika nilai ketidaksamaan terkecil yang didapatkan masih diatas nilai ambang batas, maka disimpulkan karakter Aksara Bali masukan tersebut tidak dikenali. Nilai ambang batas didapatkan dengan pengujian-pengujian sebelumnya. Apabila d(Pj, Qi) didefinisikan sebagai nilai ketidaksamaan antara Aksara Bali acuan yang dimiliki oleh sebuah karakter Aksara Bali Pj dengan Aksara Bali yang diuji Qi, Ccj adalah nilai kritis yang telah didapat sebelumnya dari sebuah karakter Aksara Bali Pj serta Cd adalah konstanta pengali, maka berlaku hubungan : Jika d(Pj, Qi) ≤ Ccj x Cd maka keputusannya ‘DIKENALI’ Selain itu keputusannya ‘TIDAK TERDAFTAR’.
33
3.6 Perancangan Sistem
Perancangan sistem merupakan tahap untuk mentransformasikan berbagai kebutuhan ke bentuk data dan arsitektur program yang akan diimplementasikan pada tahap pembuatan sistem nantinya. Perancangan tersebut meliputi penjelasan dalam bentuk bagan alir proses, serta perancangan struktur data.
3.7.1
Diagram Jackson Sistem Pengenalan
Rancangan sistem pengenalan yang berupa struktur program, ditampilkan dalam Diagram Jackson yang direpresentasikan dalam bentuk struktur diagram dan struktur teks. Adapun struktur diagram sistem pengenalan ini adalah seperti yang terlihat pada Gambar 3.2. Pada struktur diagram sistem pengenalan tersebut terlihat gambaran sistem secara lebih rinci, pendefinisian kebutuhan menu-menu pokok dan modul-modul program yang nantinya diperlukan oleh sistem pengenalan, baik modul-modul yang dijalankan secara iterasi ataupun yang bersifat pilihan. Sistem pengenalan dibagi menjadi dua modul utama yaitu modul PERSIAPAN LINGKUNGAN SISTEM dan modul SISTEM UTAMA. Hal terpenting
yang perlu diperhatikan adalah persiapan lingkungan sistem berupa memasukkan pola model ke file dan setting konstanta mutlak harus ada pada saat sistem untuk pertama kali dijalankan sebelum melakukan pemrosesan terhadap yang lainnya, sedangkan untuk yang kedua kali atau seterusnya file pola model dan konstanta ini bisa diubah melalui menu-menu pada modul sistem utama.
34
SISTEM PENGENALAN
*
PERSIAPAN LINGKUNGAN SISTEM
o
SISTEM UTAMA
o
MASUKAN SETTING POLA MODEL KONSTANTA KE FILE
o
o
PEMBUATAN
UBAH LINGKUNGAN SISTEM
o
o
PENGENALAN
DATA ACUAN
o
MASUKAN POLA MODEL KE FILE
*
SETTING KONSTANTA
PROSES PENGENALAN
BUAT LAPORAN
* PROSES PEMBUATAN BACA CITRA AKSARA
DATA ACUAN
* MASUKAN IDENTITAS AKSARA
CARI FREKUENSI ACUAN
BACA CITRA AKSARA
EKSTRAKSI CIRI
EKSTRAKSI CIRI
* CARI NILAI AMBANG
CARI MEDIAN TULIS KE NILAI FILE ACUAN AMBANG
PEMBANDINGAN
BACA CITRA AKSARA
PENGAMBILAN KEPUTUSAN
EKSTRAKSI CIRI
Keterangan
PEMBANDINGAN
* : iterasi o : pilihan
Gambar 3.2 Struktur Diagram Jackson Sistem Pengenalan
35
Struktur Diagram Jackson sistem pengenalan pada Gambar 3.2 selanjutnya ditulis dalam bentuk struktur teks sebagai berikut : SISTEM_PENGENALAN seq PERSIAPAN_LINGKUNGAN_SISTEM PERSIAPAN_LINGKUNGAN_SISTEM sel (MASUKAN_POLA_MODEL_KE_FILE) MASUKAN_POLA_MODEL_KE_FILE; PERSIAPAN_LINGKUNGAN_SISTEM alt (SETTING_KONSTANTA) SETTING_KONSTANTA; PERSIAPAN_LINGKUNGAN_SISTEM end; SISTEM_UTAMA itr while (UBAH_LINGKUNGAN_SISTEM or PEMBUATAN_DATA_ACUAN or PENGENALAN) SISTEM_UTAMA sel (UBAH_LINGKUNGAN_SISTEM) UBAH_LINGKUNGAN_SISTEM UBAH_LINGKUNGAN_SISTEM sel (MASUKAN_POLA_MODEL_KE_FILE) MASUKAN_POLA_MODEL_KE_FILE; UBAH_LINGKUNGAN_SISTEM alt (SETTING_KONSTANTA) SETTING_KONSTANTA; UBAH_LINGKUNGAN_SISTEM end; SISTEM_UTAMA sel (PEMBUATAN_DATA_ACUAN) PEMBUATAN_DATA_ACUAN c_aksara Å 1; PROSES_PEMBUATAN_DATA_ACUAN itr while (c_aksara ≤ banyak_aksara) MASUKAN_IDENTITAS_AKSARA; c_acuan Å 1; CARI_FREKUENSI_ACUAN itr while (c_acuan ≤ banyak_acuan) BACA_CITRA_AKSARA; EKSTRAKSI_CIRI; CARI_FREKUENSI_ACUAN end; c_banding Å 1; CARI_NILAI_AMBANG itr while (c_banding ≤ banyak_banding) BACA_CITRA_AKSARA; EKSTRAKSI_CIRI; PEMBANDINGAN; CARI_NILAI_AMBANG end: CARI_MEDIAN_NILAI_AMBANG; TULIS_KE_FILE_ACUAN; PROSES_PEMBUATAN_DATA_ACUAN end; PEMBUATAN_DATA_ACUAN end; SISTEM_UTAMA alt (PENGENALAN) RECOGNATION seq AKTIFKAN_DATAAKSARA; PROSES_PENGENALAN itr while (banyak_uji_coba) BACA_CITRA_AKSARA;
36
EKSTRAKSI_CIRI; PEMBANDINGAN; PENGAMBILAN_KEPUTUSAN; PROSES_PENGENALAN end; BUAT_LAPORAN; PENGENALAN end; SISTEM_UTAMA end; SISTEM_PENGENALAN end.
Variabel pembantu dalam struktur teks di atas (c_aksara, c_acuan c_banding)
dan
serta konstanta pembantu (banyak_aksara, banyak_acuan dan
banyak_banding) digunakan untuk menentukan berapa kali pengulangan proses
(iterasi) pada masing-masing modul, yang pada struktur diagram belum terlihat secara jelas. Banyak_aksara adalah banyak aksara yang akan didaftar, banyak_acuan adalah banyak aksara acuan, banyak_banding adalah banyak aksara
pembanding yang dicari median nilai bedanya sebagai nilai ambang.
3.7.2 Bagan Alir Proses
Bagan alir diperlukan untuk memperjelas proses-proses yang dilakukan, terutama pada proses pengenalan dan tahap pendaftaran. Langkah-langkah yang dilakukan sehingga bisa menghasilkan suatu keputusan yang dapat mengenali jenis karakter yang diuji, mencakup tahap ekstraksi ciri, tahap pembandingan dan tahap pengambilan keputusan terlihat pada Gambar 3.3 mengenai bagan alir proses pengenalan Aksara Bali. Bagan alir ini sebagai perincian dari langkah-langkah dan perhitungan yang terjadi pada modul Pengenalan. Sedangkan bagan alir yang merupakan perincian dari langkah-langkah serta perhitungan pada modul PEMBUATAN_DATA_ACUAN diperlihatkan dalam Gambar 3.4..
Proses pembandingan baik yang ada pada modul Pengenalan maupun pada tahap pendaftaran (modul PEMBUATAN_DATA_ACUAN) adalah bagian yang paling banyak memerlukan proses perhitungan (persamaannya ada pada Sub Bab 3.3.2). Perhitungan-perhitungan yang dilakukan diantaranya perhitungan untuk mendapatkan frekuensi kemunculan rata-rata (mean frequency), varians, nilai eigen, vektor eigen dan perhitungan nilai ketidaksamaan, sehingga tahap pembandingan dapat menghasilkan laporan tentang nilai ketidaksamaan yang akan dipakai sebagai dasar pengambilan keputusan.
37
Start
Masukkan Aksara Uji Ekstraksi ciri citra Aksara Bali uji Q
Aktifkan data acuan ke i, Pi Hitung frekuensi rata-rata (x/) Hitung varians ( V ) Hitung nilai eigen (λ), vektor eigen (l) serta urutannya secara menurun Hitung ketidaksamaan D(Pi,Q) Simpan di Array Nilai Ketidaksamaan Aksara uji Q
Inc(i)
Ya
Tidak
Record Terakhir
D(Pi,Q) ≤ Cci x Cd
Proses Pencarian Nilai D(Pii,Q) Terkecil
Ya
Hasil uji Q “Dikenali Sebagai aksara ke-i”
Tidak
Hasil uji Q “Tidak Terdaftar”
Ya
Uji lagi ? Tidak
Laporan Gambar -
3.3
daftar hasil daftar D(Pi,Q) waktu proses
Stop
Gambar 3.3. Bagan alir proses pengenalan Aksara Bali
38
Start m=0 t=0 Masukkan Nomor Id
Ya
Id sudah terdaftar ? Tidak
Masukkan nama Aksara Bali Aktifkan citra Aksara Bali Acuan Inc(m) Tidak
m>3
Baca citra
Ya
Ekstraksi ciri, simpan ke array Pid[m]
Hitung frekuensi rata-rata (x/) dari Pid Hitung varians ( V ) Hitung nilai eigen (λ), vektor eigen (l) serta urutannya secara menurun Inc(t) Tidak
t>3
Baca citra
Ya
Ekstraksi ciri Aksara Bali ke-t+3
Cari median dari D(Pid,Qt) sebagai nilai ambang (Ccid)
Hitung nilai ketidaksamaan D(Pid,Qt)
Tulis Pid ke file basis data
Ya
Mendaftarkan Aksara Bali baru lagi?
Tidak
Stop
Gambar 3.4 Bagan alir tahap pendaftaran
39
3.6.3. Struktur Data
Melihat rancangan sistem yang ada maka selanjutnya disiapkan struktur data dari rancangan sistem pengenalan yang nantinya dipergunakan pada saat implementasi ke dalam bentuk program berbasis Borland Delphi. Adapun struktur data utama dari program sistem pengenalan ini adalah sebagai berikut : TModelPattern = record Nomor : byte; //nomor pola Model : byte; //nomor model Pattern : array[0..4,0..4] of byte; //pola model 5x5 end; TArrModelPattern = array [1..DimVector] of TModelPattern;
Struktur “TModelPattern” dipakai sebagai struktur record dari file pola model dan disimpan dalam struktur array “TArrModelPattern”. Besarnya array yang dialokasikan untuk struktur “TArrModelPattern“ adalah sebanyak jumlah maksimum pola model yang ada, dalam hal ini diwakili oleh konstanta “DimVector”. THuruf = record IdNumber : word; Name : string[35]; Freq :array[1.. DimVector,1..6] of word; RefFileName : string[70]; ADis : array[1..3] of real; Critical : real; end; Person : THuruf; FileReference : file of THuruf;
Struktur “THuruf” dipakai sebagai struktur record dari variabel “Huruf“ yang berisi data masing-masing karakter Aksara Bali, selanjutnya nanti juga akan dipergunakan sebagai struktur record dari variabel file basisdata acuan. Struktur “THuruf” ini berisi nomor identitas, nama karakter Aksara Bali, frekuensi kemunculan pola model dari 3 Aksara Bali acuan, nama file beserta directory dari lokasi penyimpan file citra acuan, nilai ketidaksamaan yang dihasilkan dari 3 Aksara Bali pembanding yang dipakai untuk mencari nilai ambang, serta nilai ambang terpilih yang dicari dari median ketiga nilai ketidaksamaan Aksara Bali tersebut. TPosGambar = record AwalX, AkhirX, AwalY, AkhirY : integer; end;
40
Struktur “TPosGambar” merupakan struktur variabel dari posisi koordinat pojok masing-masing citra Aksara Bali. Struktur data pendukung yang diperlukan dalam proses-proses perhitungan maupun penyimpanan data adalah sebagai berikut: TFrequency = array[1.. DimVector] of word;
Struktur “TFrequency” merupakan struktur variabel penyimpan frekuensi kemunculan masing-masing pola model dari hasil ekstraksi ciri Aksara Bali. TMeanFrequency = array[1.. DimVector] of real;
Struktur “TMeanFrequency” merupakan struktur variabel penyimpan nilai ratarata kemunculan setiap pola model dari ekstraksi ciri beberapa Aksara Bali acuan. TFreqMinMean = array[1.. DimVector,1..Number] of real;
Struktur “TFreqMinMean” merupakan struktur variabel penyimpan nilai frekuensi kemunculan masing-masing pola model dari setiap Aksara Bali acuan yang telah dikurangi dengan frekuensi rata-rata yang bersesuaian, juga merupakan struktur dari variabel yang menyimpan perhitungan nilai eigen. TVariance = array[1.. DimVector,1.. DimVector] of real;
Struktur “TVariance” merupakan struktur dari variabel penyimpan hasil perhitungan varians dan vektor eigen.
TGambar = array[1..SignHeigh,1..SignWidth] of byte;
Struktur “TGambar” merupakan struktur variabel penyimpan nilai pola biner dari setiap piksel citra Aksara Bali, yang dalam hal ini bernilai 0 untuk piksel berwarna putih dan bernilai 1 untuk piksel berwarna hitam. Konstanta “SignHeigh” dan “SignWidth” adalah ukuran ruang pembatas Aksara Bali, yang dalam hal ini nilai konstanta tersebut masing-masingnya adalah 140 piksel dan 165 piksel. TSort = array[1.. DimVector] of byte;
Struktur “TSort” merupakan struktur variabel penyimpan hasil pengurutan dari frekuensi kemunculan pola model.
41
3.7
Pembuatan Sistem
Pembuatan sistem merupakan tahap pengembangan dan implementasi dari rancangan sistem yang telah dibuat sebelumnya menjadi suatu sistem pengenalan Aksara Bali dalam bentuk program komputer. Tahapan ini meliputi penentuan kebutuhan sistem dan pemrograman yang di dalamnya.
3.7.1
Kebutuhan Sistem
Pembuatan sistem pengenalan Aksara Bali yang intinya pengembangan rancangan sistem sebelumnya melalui pemrograman komputer, memerlukan perangkat-perangkat pendukung berupa perangkat keras (hardware) dan perangkat lunak (software) yang dibutuhkan agar sistem dapat bekerja dengan baik. Kebutuhan-kebutuhan tersebut dijelaskan sebagai berikut. 3.7.1.1 Kebutuhan Perangkat Keras
Spesifikasi komputer yang digunakan untuk mengembangkan maupun pengujian sistem pengenalan ini adalah prosesor Intel Core i5 M 450 @2.40 GHz, dengan memori SDRAM 2 GB dan kapasitas harddisk 500 GB. 3.7.1.2 Kebutuhan Perangkat Lunak
Sistem pengenalan ini dikembangkan dalam lingkungan sistem operasi Microsoft Windows 7 ultimate. Pemilihan sistem operasi tersebut didasarkan atas
pertimbangan bahwa sistem pengenalan Aksara Bali secara baik hanya dapat diimplementasikan dalam modus grafik. Microsoft Windows 7 ultimate merupakan suatu sistem operasi berbasis grafik yang banyak menjadi pilihan saat ini. Dalam lingkungan Windows, pembuatan antar muka grafis dapat dilakukan dengan lebih mudah. Di samping itu Windows 7 ultimate juga mendukung bahasa pemrograman yang dipakai mengembangkan sistem ini yaitu Borland Delphi 7.0. Perangkat lunak lain yang diperlukan adalah program paket pengolahan citra, dan dipergunakan pada tahapan prapemrosesan. Dalam pengerjaan penelitian ini perangkat lunak paket pengolahan citra yang dipergunakan adalah Paint Shop Pro.
42
3.7.2 Pemrograman
Aspek pemrograman yang dibuat dalam sistem pengenalan Aksara Bali ini meliputi implementasi struktur program yang telah dirancang ke dalam kode-kode bahasa pemrograman. Implementasi pemrogramannya menggunakan perangkat lunak Borland Delphi 7.0, yaitu perangkat lunak pemrograman visual yang dijalankan di bawah sistem operasi Windows, dengan bahasa pemrograman berbasis Pascal. 3.7.2.1 Konstanta dan Variabel Global
Konstanta-konstanta beserta nilainya yang digunakan pada keseluruhan program dari sistem verifikasi ini adalah sebagai berikut: MaxHuruf = 255; DimVector23 = 23; DimVector42 = 42; JumModel23 = 23; JumModel42 = 52; Number = 3; DefaultQi = 3; DefaultReferName = 'R2331.Dat'; PatternName23 = 'Model23.Dat'; PatternName42 = 'Model42.Dat'; DefPartName DefaultCd = SignWidth = SignHeigh =
= 'Aksara1.Dat'; 3; 165; 140;
Variabel global merupakan variabel yang dideklarasikan di luar semua fungsi dan prosedur yang ada, sehingga ia dapat diakses (dibaca, ditulisi atau diubah) oleh fungsi dan prosedur apapun
yang ada dalam
program itu. Adapun variabel-variabel global yang dipakai dalam sistem pengenalan ini adalah : FileReference : file of THuruf; Person : THuruf; ArrModelPattern : TArrModelPattern; Berubah : Boolean; Cd : Real; Qi : Integer; FParticipantName, FReferName, FPatternName String; FilePattern : File Of TModelPattern;
43
:
Error, CountPattern, CounterList, PrevCounterList : byte; PosGambar : Array[1..9] of TPosGambar; awalX,awalY,akhirX,akhirY : Integer; DefDirectory : String; EnrollLoad : Boolean; PrMeanFreq, PrEigenValue: TMeanFrequency; PrVariance,PrEigenVector : TVariance; PrSort : TSort; JumPattern : Byte; //banyaknya keseluruhan pola DimVector : Byte; //banyaknya model ArrHuruf : Array[1..MaxHuruf] of THuruf; BanyakHuruf : Byte; Participant : TParticipant; FileParticipant : File Of TParticipant;
3.7.2.2 Form Utama Window Form adalah tempat di mana semua komponen visual dan
komponen non visual diletakkan untuk membentuk sebuah aplikasi. Bagian yang tak terpisahkan dari form adalah unit yang berhubungan langsung dengan form tersebut. Unit berisi deklarasi tipe data, fungsi dan prosedur. Rancangan form utama dari sistem pengenalan ini diberi nama FUtama.frm adalah seperti terlihat pada Gambar 3.5 dengan unit bernama Sign1.pas. Dalam form utama ini berisi menu dalam bentuk tombol-tombol (push button menu) yang diperlukan oleh pengguna dalam menjalankan sistem pengenalan serta memanggil form-form lainnya, juga sebagai tempat berlangsungnya sebagian besar proses.
44
1b
1a
Grup 1
Grup 4 1c 1d 1e
Grup 3 Grup 2
3a
2a
2c
2d
2b
Gambar 3.5 Tampilan Form Utama sistem pengenalan
Selanjutnya diuraikan mengenai keterangan masing-masing nomor dan tombol-tombol pada tampilan Gambar 3.5 beserta beberapa baris penting dari fungsi atau prosedur pendukungnya.
Grup 1
Grup 1 merupakan panel yang digunakan untuk melakukan proses pengenalan sebuah aksara uji serta menampilkan hasilnya, juga menampilkan citra aksara yang sedang aktif. 1.
Nomor 1a adalah panel yang digunakan untuk menampilkan nama file citra aksara aktif.
2.
Nomor 1b adalah tempat menampilkan citra aksara aktif.
45
3.
Nomor 1c adalah tempat menampilkan hasil pengenalan, yaitu “Huruf ke-K” untuk aksara yang dikenali atau “Tidak Terdaftar” untuk huruf
yang tidak dikenali oleh sistem. 4.
Nomor 1d adalah tempat untuk menampilkan nilai beda dari hasil pengenalan.
5.
Nomor 1e adalah tempat menampilkan waktu proses.
6.
Tombol Proses digunakan untuk menjalankan proses pengenalan terhadap aksara aktif. Adapun program yang dijalankan adalah :
procedure TFUtama.SBVerifyClick(Sender: TObject); var Beda : Real; S : String; WaktuMulai, WaktuSelesai : TDateTime; JamMulai, JamSelesai, Menit, Detik, MDetik : Word; MDetikMulai, MDetikSelesai, TotalWaktu : Double; i : byte; ArrayBeda : TArrBeda; Gambar : TGambar; Hurufke : Byte;
begin //FVerificate.Show; FGauge.Height := 134; FGauge.Gauge1.Progress := 0; FGauge.Show; FGauge.Refresh; WaktuMulai := Time; Gambar := BacaHuruf; for i := 1 to BanyakHuruf do Begin {Mencari Variance, EigenVektor, EigenValue dan MeanFrek} Person := ArrHuruf[i]; PrMeanFreq := CountMeanFrequency(Person); PrVariance := CountVariance(PrMeanFreq,Person); EigenSort(PrVariance,PrEigenVector,PrEigenValue,PrSort; ArrayBeda[i] := Recognice(Gambar) End; Hurufke := Terkecil(ArrayBeda); WaktuSelesai := Time; Fgauge.Close; FGauge.Height := 238;
If ArrayBeda[Hurufke] <= Cd * ArrHuruf[Hurufke].Critical Then Begin ST_Status.Font.Color := clBlue; Str(ArrayBeda[Hurufke],S); ST_Dissimilarity.Caption := S; Str(Hurufke,S); ST_Status.Caption:='(' + S + ')' + ArrHuruf[Hurufke].Name;
46
End Else Begin ST_Status.Font.Color := clRed; Str(ArrayBeda[Hurufke],S); ST_Dissimilarity.Caption := S; Str(Hurufke,S); ST_Status.Caption := '(' + S + ')' + ' Tidak Terdaftar' ; End; //Hitung waktu proses DecodeTime(WaktuMulai,JamMulai,Menit,Detik,MDetik); MDetikMulai :=((JamMulai*60+Menit)*60 + Detik)*1000 + MDetik; DecodeTime(WaktuSelesai,JamSelesai,Menit,Detik,MDetik); If JamSelesai >= JamMulai Then MDetikSelesai:=((JamSelesai*60+Menit)*60+Detik)*1000+MDetik Else //antisipasi melewati jam 12 MDetikSelesai:=(((JamSelesai+12)*60+Menit)*60+Detik)*1000 MDetik; TotalWaktu := MDetikSelesai - MDetikMulai; ST_Time.Caption := ' ' + FloatToStr(TotalWaktu) + ' Milli Second'; end;
Grup 2
Grup 2 adalah panel untuk tempat memilih Aksara Bali yang akan dikenali, baik nama file, filter, drive, maupun directory citra Aksara. 1.
Nomor 2a adalah filter combo box, yang digunakan untuk menyaring file-file yang ditampilkan yaitu file-file citra yang penamaannya disesuaikan khusus untuk citra Aksara Bali pada penelitian ini, filter tersebut adalah : All Bitmap File (*.bmp), adalah filter untuk semua nama file citra bitmap.
2.
Nomor 2b
adalah
file list box
yang
digunakan
untuk
tempat
menampilkan nama-nama file citra yang telah disaring menurut filter yang telah dipilih, dari nama-nama file ini dipilih Aksara Bali mana saja yang akan dikenali. 3.
Nomor 2c adalah drive combo box yang digunakan untuk memilih drive.
4.
Nomor 2d adalah directory list box yang digunakan sebagai tempat untuk memilih direktori.
5.
Tombol Select digunakan untuk memilih nama file yang akan dikenali.
47
Grup 3 List of Selected Files
Grup 3 adalah panel untuk tempat menampilkan daftar Aksara bali yang telah dipilih dan akan dikenali, beserta tombol-tombol untuk mengurangi pilihan dan melihat hasil pengenalan. 1.
Nomor 3a adalah obyek list box, yang digunakan untuk menampung nama-nama file citra Aksara Bali terpilih yang akan dikenali.
2.
Tombol Verify List digunakan untuk menjalankan proses pengenalan terhadap file-file citra Aksara Bali yang ada dalam daftar dan selanjutnya menampilkan hasilnya dalam form FRptGroup.frm. Adapun program yang dijalankan adalah sebagai berikut :
procedure TFUtama.SBVerifyListClick(Sender: TObject); var i,j,k, HurufKe : byte; S : String; Beda : Real; WaktuMulai, WaktuSelesai : TDateTime; JamMulai, JamSelesai, Menit, Detik, MDetik : Word; MDetikMulai, MDetikSelesai, TotalWaktu : Double; Gambar : TGambar; ArrayBeda : TArrBeda; begin FGauge.Gauge1.Progress := 0; FGauge.Gauge2.Progress := 0; FGauge.Label4.Caption := IntToStr(CounterList); FGauge.Show; FGauge.Refresh; For i := 0 To PrevCounterList-1 Do For j := 0 To 3 Do FRptGroup.StringGrid1.Cells[j,i] := ''; WaktuMulai := Time; For i := 1 To CounterList Do Begin Image1.Picture.LoadFromFile(ListBox2.Items[i-1]); Gambar := BacaHuruf; for k := 1 to BanyakHuruf do Begin {Mencari Variance,EigenVektor,EigenValuedan MeanFrek} Person := ArrHuruf[k]; PrMeanFreq := CountMeanFrequency(Person); PrVariance := CountVariance(PrMeanFreq,Person); EigenSort(PrVariance,PrEigenVector,PrEigenValue, PrSort); ArrayBeda[k] := Recognice(Gambar) End; Hurufke := Terkecil(ArrayBeda); FRptGroup.StringGrid1.Cells[0,i-1] := IntToStr(i); FRptGroup.StringGrid1.Cells[1,i-1] := ListBox1.Items[i-1]; Str(ArrayBeda[Hurufke],S); FRptGroup.StringGrid1.Cells[2,i-1] := S;
48
Str(Hurufke,S); If ArrayBeda[Hurufke]<= Cd*ArrHuruf[Hurufke].Critical Then FRptGroup.StringGrid1.Cells[3,i-1] := '(' + S + ')' + ArrHuruf[Hurufke].Name Else FRptGroup.StringGrid1.Cells[3,i-1] := '(' + S + ')' + ' Tidak Terdaftar'; FGauge.Gauge2.Progress := (i*100) div CounterList; End; WaktuSelesai := Time; Fgauge.Close; PrevCounterList := CounterList; //Hitung waktu proses DecodeTime(WaktuMulai,JamMulai,Menit,Detik,MDetik); MDetikMulai :=((JamMulai*60+Menit)*60 + Detik)*1000 + MDetik; DecodeTime(WaktuSelesai,JamSelesai,Menit,Detik,MDetik); If JamSelesai >= JamMulai Then MDetikSelesai := ((JamSelesai*60+Menit)*60+Detik)*1000 +MDetik Else //antisipasi melewati jam 12 MDetikSelesai :=(((JamSelesai+12)*60+Menit)*60+ Detik)*1000 + MDetik; TotalWaktu := MDetikSelesai - MDetikMulai; FRptGroup.STVer.Caption := ' ' + IntToStr(CounterList); FRptGroup.STTime.Caption := ' ' + FloatToStr(TotalWaktu) + ' Milli Second'; SBResult.Enabled := True; FRptGroup.Position := poScreenCenter; FRptGroup.ShowModal; end;
1.
Tombol New List digunakan untuk mengosongkan daftar nama file yang ada pada obyek list box nomor 3a.
2.
Tombol Unselect digunakan untuk membuang nama file citra Aksara Bali yang ditunjuk pada obyek list box nomor 3a.
3.
Tombol Result digunakan untuk melihat kembali daftar hasil pengenalan yang telah dilakukan sebelumnya dengan memanggil form FRptGroup.frm.
Grup 4
Grup 4 merupakan panel tempat tombol-tombol perintah umum yang digunakan dalam sistem pengenalan ini. Adapun tombol-tombolnya adalah : 1.
Tombol About digunakan untuk memanggil form FSignAbout.frm yang berisi informasi tentang sistem pengenalan.
49
2.
Tombol Setting digunakan untuk memanggil form FSetEnv.frm yang berisi tempat untuk mengubah nilai variabel lingkungan sistem.
3.
Tombol Enrollment
digunakan
untuk
memanggil
form
FEnrollGroup.frm yang merupakan tempat pendaftaran aksara baru.
4.
Tombol Browse digunakan untuk memanggil form FBrowse.frm yang berisi nama-nama aksara yang telah terdaftar pada basisdata acuan.
5.
Tombol New Model digunakan untuk memasukkan pola model baru ke file referensi melalui pemanggilan form FModel.frm.
6.
Tombol Show Model digunakan untuk menampilkan pola model referensi yang telah ada melalui pemanggilan form FModel.frm.
7.
Tombol Exit digunakan untuk keluar dari sistem pengenalan. Selain fungsi dan prosedur yang telah dipaparkan di atas, juga ada beberapa
fungsi dan prosedur penting lainnya dalam unit Sign1.pas ini. Fungsi dan prosedur tersebut diantaranya : Rutin untuk menghitung nilai eigen serta vektor eigen procedure ROTATE(s, tau : real; var ATemp : TVariance; i,j,k,l : integer); var g, h : real; begin g := ATemp[i,j]; h := ATemp[k,l]; ATemp[i,j] := g-s*(h+g*tau); ATemp[k,l] := h+s*(g-h*tau); end; procedure Jakobi(A :TVariance;var V : TVariance; var D:TMeanFrequency); var B,Z : array[1..DimVector67] of real; ip,iq, i, j : integer; sm,tresh,theta,t,c,s,tau,g,h : double; begin for ip := 1 to DimVector do begin for iq := 1 to DimVector do V[ip,iq] := 0; V[ip,ip] := 1; B[ip] := A[ip,ip]; D[ip] := A[ip,ip]; Z[ip] := 0; end; for i := 1 to 50 do begin sm := 0; for ip := 1 to DimVector-1 do
50
for iq := ip+1 to DimVector do sm := sm + abs(A[ip,iq]); if sm = 0 then exit; if i < 4 then tresh := 0.2*sm/(DimVector*DimVector) else tresh := 0; for ip := 1 to DimVector-1 do begin for iq := ip+1 to DimVector do begin g := 100 * abs(A[ip,iq]); if ((i>4) and ((abs(d[ip])+g) = abs(d[ip])) and ((abs(d[iq])+g) = abs(d[iq]))) then A[ip,iq] := 0 else if abs(A[ip,iq]) > tresh then begin h := d[iq]-d[ip]; if ((abs(h)+g) = abs(h)) then t := A[ip,iq]/h else begin theta := 0.5*h/A[ip,iq]; t := 1/(abs(theta)+sqrt(1+theta*theta)); if theta < 0 then t := -t; end; c := 1/sqrt(1+t*t); s := t*c; tau := s/(1+c); h := t*A[ip,iq]; Z[ip] := Z[ip] - h; Z[iq] := Z[iq] + h; D[ip] := D[ip] - h; D[iq] := D[iq] + h; A[ip,iq] := 0; for j := 1 to ip-1 do ROTATE(s,tau,A,j,ip,j,iq); for j := ip+1 to iq-1 do ROTATE(s,tau,A,ip,j,j,iq); for j := iq+1 to DimVector do ROTATE(s,tau,A,ip,j,iq,j); for j := 1 to DimVector do ROTATE(s,tau,V,j,ip,j,iq); end; end; end; for ip := 1 to DimVector do begin b[ip] := b[ip] + z[ip]; d[ip] := b[ip]; z[ip] := 0; end; end; ShowMessage('error : terlalu banyak iterasi'); end; procedure Eigensort(A : TVariance; var V : TVariance; var D : TMeanFrequency; var Urut : TSort); var i,j,k,temp : integer; pe : real; TD : TMeanFrequency; begin for i:= 1 to DimVector do begin D[i] := 0; Urut[i] := i; end; Jakobi(A,V,D);
51
TD := D; for i := 1 to DimVector do begin pe := TD[i]; k := i; for j := i+1 to DimVector do if TD[j] >= pe then begin pe := TD[j]; k := j; end; if k <> i then begin TD[k] := TD[i]; TD[i] := pe; temp := Urut[i]; Urut[i] := Urut[k]; Urut[k] := temp; end; end; end;
Prosedur untuk menghitung frekuensi kemunculan pola model procedure CountFrequency(var Freq:TFrequency; Gambar : TGambar); var i,j,x,y : integer; CountPattern : byte; cocok : boolean; awalX_L, awalY_L,akhirX_L, akhirY_L : byte; begin awalX_L := 1; awalY_L := 1; akhirX_L := SignHeigh; akhirY_L := SignWidth; for i := 1 to DimVector do freq[i] := 0; for CountPattern := 1 to JumPattern do begin ModelPattern := ArrMOdelPattern[CountPattern]; for x := (awalX_L-4) to (akhirX_L - 4) do for y := (awalY_L-4) to (akhirY_L - 4) do begin i := 0; cocok := true; repeat inc(i); j := 0; repeat inc(j); if ((i+x-1)
0 then cocok := false; end else if ModelPattern.Pattern[i-1,j-1] <> gambar[i+x-1,j+y-1] then cocok := false; until (cocok = false) or (j = 5); until (cocok = false) or (i = 5); if (cocok = true) and (i=5) and (j=5) then inc(Freq[ModelPattern.Model]); end;
52
FGauge.Gauge1.Progress := CountPattern; end; end;
Rutin untuk menghitung matriks varians function CountMeanFrequency(sampel: TPersonSign) : TmeanFrequency; var i : integer; bantu : word; Mi : byte; begin for i := 1 to DimVector do begin bantu := 0; for Mi := 1 to Number do bantu := bantu + sampel.freq[i,Mi]; CountMeanFrequency[i] := bantu / number; end; end;
function CountFreqMinMean(Mean : TMeanFrequency; Pr : TPersonSign) : TFreqMinMean; var i,j : integer; begin for i := 1 to Number do for j := 1 to DimVector do CountFreqMinMean[j,i] := Pr.Freq[j,i];//-Mean[j]; end;
function CountVariance(Mean : TMeanFrequency; Pr : TpersonSign): TVariance; var Bantu : TVariance; i,j,k : integer; temp : real; vector : TFreqMinMean; begin Vector := CountFreqMinMean(Mean,Pr); for i := 1 to DimVector do for j := 1 to DimVector do begin Temp := 0; for k := 1 to Number do Temp := Temp + Vector[i,k]*Vector[j,k]; Bantu[i,j] := Temp/Number; end; CountVariance := Bantu; end;
Rutin untuk menghitung nilai ketidaksamaan function CountZ1(L : TVariance; k : integer; X : TFrequency; Urut : TSort) : real; var bantu : real; i : integer; begin bantu := 0; for i := 1 to DimVector do bantu := bantu + L[i,Urut[k]]*X[Urut[i]]; CountZ1 := bantu;
53
end; function CountZ2(L : TVariance; k : integer; X : TMeanFrequency; Urut : TSort) : real; var bantu : real; i : integer; begin bantu := 0; for i := 1 to DimVector do bantu := bantu + L[i,Urut[k]]*X[Urut[i]]; CountZ2 := bantu; end;
function CountDissimilarity (L : TVariance; Lamda, XMean : TMeanFrequency; X : TFrequency; Urut : TSort) : real; var dis1, dis2 : real; k : integer; begin dis1 := 0; for k := 1 to qi do begin if Lamda[Urut[k]] <> 0 then dis1 := dis1 + (SQR(CountZ1(L,k,X,Urut)countZ2(L,k,XMean,Urut))/Lamda[Urut[k]]) else begin if error <> 2 then Error := 1; exit; end; end; dis2 := 0; for k := qi+1 to DimVector do dis2 := dis2 + (SQR(CountZ1(L,k,X,Urut)countZ2(L,k,XMean,Urut))/Lamda[Urut[qi]]); CountDissimilarity := dis1 + dis2; end;
Rutin pengenalan Function BacaHuruf : TGambar; var i,j : byte; Gambar : TGambar; Begin for i := 1 to SignHeigh do for j := 1 to SignWidth do Gambar[i,j] := 0; for i := 0 to SignHeigh-1 do for j := 0 to SignWidth-1 do Begin if FUtama.Image1.Canvas.Pixels[j,i] (clWhite div 3)) Then Gambar[i+1,j+1] := 0 else Gambar[i+1,j+1] := 1; End; BacaHuruf := Gambar; End;
Function Recognice(Gambar : TGambar) : Real; Var FreqCounterSign : TFrequency;
54
>=
(clWhite
-
Begin CountFrequency(FreqCounterSign,Gambar); Recognice := CountDissimilarity(PrEigenVector, PrEigenValue,PrMeanFreq,FreqCounterSign,PrSort); End;
3.7.2.3 Form Pendaftaran
Form
pendaftaran
diberi
nama
(terlihat
FEnrollGroup.frm
pada
Gambar 3.6) dengan unit programnya bernama UEnrollGroup.pas. Form ini digunakan sebagai form tempat pendaftaran aksara baru yang datanya akan dimasukkan ke dalam file basisdata acuan. Dalam sekali pemanggilannya bisa digunakan untuk mendaftarkan lebih dari satu aksara baru. Selain itu form ini juga digunakan untuk menampilkan citra Aksara Bali acuan tersebut
2
4
3
1
7
6
5
Gambar 3.6 Tampilan Form Pendaftaran
1.
Nomor 1 adalah tempat untuk menampilkan nomor identitas Aksara Bali yang akan didaftarkan.
2.
Nomor 2 adalah tempat memasukkan atau menampilkan nama Aksara Bali.
3.
Nomor 3 adalah tempat untuk menampilkan waktu proses.
4.
Nomor 4 adalah tempat menampilkan citra Aksara Bali acuan. 55
5.
Nomor 5 adalah tempat menampilkan nilai beda antara aksara acuan dengan aksara pembanding C1.
6.
Nomor 6 adalah tempat menampilkan nilai beda antara aksara acuan dengan aksara pembanding C2.
7.
Nomor 7 adalah tempat menampilkan nilai beda antara aksara acuan dengan aksara pembanding C3.
8.
Tombol Close digunakan untuk keluar dari form pendaftaran.
Adapun program yang dijalankan adalah sebagai berikut : procedure TFEnrollGroup.BBProcessClick(Sender: TObject); var Mi,Ms : byte; i,j, Code : integer; TempPerson : THuruf; Freq : TFrequency; EGMeanFreq, EGEigenValue: TMeanFrequency; TempFreq :Array[1..DimVector67,1..3] Of Real; EGVariance,EGEigenVector : TVariance; EGSort : TSort; Temp : Array[1..3] of Real; S : String; IDNumber : word; Dissimilarity, Selisih, selisih2, bantu : real; Gambar : TGambar; WaktuMulai, WaktuSelesai : TDateTime; JamMulai, JamSelesai, Menit, Detik, MDetik : Word; MDetikMulai, MDetikSelesai, TotalWaktu : Double; k : String; begin BBProcess.Enabled := False; error := 0; FGauge.Show; FGauge.Label4.Caption := '6'; FGauge.Refresh; FGauge.Gauge1.Progress := 0; FGauge.Gauge2.Progress := 0; WaktuMulai := Time; Val(EdIDNumber.Text,IDNumber,Code); TempPerson.IDNumber := IDNumber; TempPerson.Name := EdName.Text; TempPerson.RefFileName := RefFileName; For Mi := 1 to Number do Begin Image1.Picture.LoadFromFile(ListBox2.Items[Mi-1]); AwalX := 1;//PosGambar[1].AwalX; AkhirX := 1;//PosGambar[1].AkhirX; AwalY := 1;//PosGambar[1].AwalY; AkhirY := 1;//PosGambar[1].AkhirY; for i := 1 to SignHeigh do for j := 1 to SignWidth do Gambar[i,j] := 0; for i := AwalX to AkhirX do
56
for j := AwalY to AkhirY do Begin if Image1.Canvas.Pixels[j,i] >= (clWhite (clWhite div 3)) Then Gambar[i-AwalX+1,j-AwalY+1] := 0 else Gambar[i-AwalX+1,j-AwalY+1] := 1; End; CountFrequency(Freq, Gambar); for i := 1 to DimVector do TempPerson.freq[i,Mi] := Freq[i];
-
FGauge.Gauge2.Progress := 10*Mi; End; EGMeanFreq := CountMeanFrequency(TempPerson); EGVariance := CountVariance(EGMeanFreq, TempPerson); EigenSort(EGVariance,EGEigenVector, EGEigenValue, EGSort); FGauge.Gauge2.Progress := 70; For Ms := 1 to 3 do Begin Image1.Picture.LoadFromFile(LstBox2.Items[Number+Ms1]); for i := 1 to SignHeigh do for j := 1 to SignWidth do Gambar[i,j] := 0; for i := AwalX to AkhirX do for j := AwalY to AkhirY do Begin if Image1.Canvas.Pixels[j,i] >= (clWhite (clWhite div 3)) Then Gambar[i-AwalX+1,j-AwalY+1] := 0 else Gambar[i-AwalX+1,j-AwalY+1] := 1; End; CountFrequency(Freq, Gambar);
-
Dissimilarity:=CountDissimilarity(EGEigenVector,EGEigen Value, EGMeanFreq,Freq,EGSort); If error = 1 Then Begin EdDissC1.Text := ''; EdDissC2.Text := ''; EdDissC3.Text := ''; ShowMessage('Divided by zero, next or Qi !') End else Begin TempPerson.ADis[Ms] := Dissimilarity; Temp[Ms] := Dissimilarity; Str(Temp[Ms], S); Case Ms of 1 : EdDissC1.Text := S; 2 : EdDissC2.Text := S; 3 : EdDissC3.Text := S; End; End; FGauge.Gauge2.Progress := 10*(Ms+7); End; If Error <> 1 Then Begin for i := 1 to 2 do for j := i+1 to 3 do
57
be
smaller
if Temp[i] < Temp[j] Then Begin bantu := Temp[i]; Temp[i] := Temp[j]; Temp[j] := bantu; End; TempPerson.Critical := Temp[2]; Write(FileReference,TempPerson); Inc(BanyakHuruf); ArrHuruf[BanyakHuruf] := TempPerson; FUtama.SBVerify.Enabled := True; FUtama.SBBrowsePerson.Enabled := True; End; WaktuSelesai := Time; FGauge.Close; //Hitung waktu proses DecodeTime(WaktuMulai,JamMulai,Menit,Detik,MDetik); MDetikMulai := ((JamMulai*60+Menit)*60+ Detik)*1000 + MDetik; DecodeTime(WaktuSelesai,JamSelesai,Menit,Detik,MDetik); If JamSelesai >= JamMulai Then MDetikSelesai :=((JamSelesai*60 + Menit)*60 + Detik)*1000 + MDetik Else //antisipasi melewati jam 12 MDetikSelesai := (((JamSelesai+12)*60 + Menit)*60 + Detik) *1000 + MDetik; TotalWaktu := MDetikSelesai - MDetikMulai; STTime.Caption := ' Second';
' + FloatToStr(TotalWaktu) + '
Milli
EdIDNumber.SetFocus; //FCoba1.Show; end;
3.7.2.4 Form-Form Pendukung
Form-form pendukung sistem adalah form-form tambahan yang digunakan oleh sistem pengenalan untuk menampilkan informasi atau mengerjakan bagianbagian yang tidak bisa dikerjakan pada form utama karena keterbatasan tempat. Adapun form-form tersebut adalah sebagai berikut :
58
Gambar 3.7 Tampilan Form Daftar Aksara Bali Form Daftar Aksara Bali
Form daftar Aksara Bali dinamakan FBrowse.frm seperti yang terlihat pada Gambar 3.7 dengan unit UBrowse.pas digunakan sebagai tempat untuk menampilkan data aksara yang telah terdaftar pada file basisdata acuan. Data tersebut diantaranya nomor identitas aksara, nama aksara, nilai ambang dan nilai ketidaksamaan aksara acuan dengan aksara pembanding C1, C2 dan C3.
Form Lingkungan Sistem
Form lingkungan sistem dinamakan FSetEnv.frm seperti yang terlihat pada Gambar 3.8 dengan unit USetEnv.pas digunakan sebagai tempat untuk mengubah variabel-variabel lingkungan sistem, seperti memilih pola model yang digunakan (memakai obyek radio button), nomor pemotongan nilai eigen (Q) dan koefisien pengali nilai kritis (Cd). Setelah dilakukan perubahan nilai salah satu variabel, maka sistem akan secara otomatis mengaktifkan file-file yang sesuai dengan variabel itu, baik file basisdata acuan maupun file pola model.
59
b Gambar 3.8 Tampilan Form Lingkungan Sistem Form Pola Model
Form pola model dinamakan FModel.frm seperti yang terlihat pada Gambar 3.9 dengan unit UModel.pas digunakan sebagai tempat untuk menampilkan pola model yang sedang aktif dan memasukkan pola model baru yang akan digunakan dalam sistem pengenalan. Form pola model akan menampilkan sebuah pola dalam tabel berukuran 5 x 5 kotak beserta nomor urut dan nomor modelnya. Form ini juga menyediakan fasilitas untuk menyimpan pola model (melalui tombol Save), untuk melihat pola nomor urut sebelumnya (menggunakan tombol Back), serta pola nomor urut sesudahnya (menggunakan tombol Next). Form Indikator Proses
Form indikator proses dinamakan FGauge.frm seperti yang terlihat pada Gambar 3.10 dengan unit UTtdGauge.pas digunakan sebagai tempat indikator proses pengenalan sedang berlangsung, baik pengenalan untuk sebuah Aksara bali maupun pengenalan Aksara Bali secara berkelompok. Indikator ini memanfaatkan fasilitas obyek gauge. Form Informasi Sistem
Form informasi sistem dinamakan FSignAbout.frm seperti yang terlihat pada Gambar 3.11 dengan unit USignAbout.pas digunakan sebagai tempat
60
untuk menampilkan informasi tentang sistem pengenalan. Informasi ini berupa judul sistem, gambar, nama pengembang sistem, serta nama instansi program pascasarjana
Gambar 3.9 Tampilan Form Pola Model
Gambar 3.10 Tampilan Form Indikator Proses
61
BAB IV. HASIL DAN PEMBAHASAN BAB IV. HASIL DAN PEMBAHASAN Bab Pengujian dan Analisis Hasil ini diawali dengan pembahasan mengenai implementasi sistem, dilanjutkan dengan pengujian sistem serta analisis dari hasil pengujian tersebut. Sebelum itu terlebih dahulu dijelaskan faktor-faktor yang berpengaruh terhadap proses pengujian. Kemudian dibahas mengenai hasil pengujian beserta analisisnya. Selain itu juga dilengkapi dengan analisis terhadap kompleksitas waktu eksekusi dan ruang penyimpanan.
4.1 Pengujian
Pembuatan sistem pengenalan Aksara Bali dalam penelitian ini memakai pola-pola model dari Metode Pola Busur Terlokalisasi untuk mengekstraksi ciri Aksara Bali masukan. Di samping menggunakan 52 buah pola (dikelompokkan menjadi 42 pola model) seperti yang terlihat pada Gambar 2.4, juga akan dipakai pola model baru yang pembuatannya tetap mengacu kepada batasan yang ada dalam Metode Pola Busur Terlokalisasi ini, yaitu lokalisasi permasalahan pada pola model yang didefinisikan di dalam sebuah bujur sangkar kecil berukuran 5 x 5, tetapi pemilihannya berbasis pada sampel Aksara Bali yang dimasukkan. 4.1.1
Pembentukan Pola Model
Pola-pola yang dibentuk oleh titik karakteristik dalam bujur sangkar 5 x 5 menghasilkan 125 buah kemungkinan pola awal dan bisa dikelompokkan menjadi 103 pola model awal seperti terlihat pada Gambar 4.1(a) dan 4.1(b) berikut ini.
62
No.1 Model 1
No.2 Model 2
No.3 Model 3
No.4 Model 4
No.5 Model 5
No.6 Model 6
No.7 Model 7
z
z
No.9 Model 9
No.10 Model 10
z No.8 Model 8
z
No.11 Model 11
z
z
No.13 Model 13
No.14 Model 14
z No.12 Model 12
z
z
z
z
z
z
No.18 Model 18
No.19 Model 19
No.20 Model 20
No.21 Model 21
z
No.15 Model 15
No.16 Model 16
No.17 Model 17
z
z
No.22 Model 22
No.23 Model 23
z
z
z
z
No.24 Model 24
No.25 Model 25
No.26 Model 26
No.27 Model 27
z
No.28 Model 28
z
z
z
No.29 Model 29
No.30 Model 30
z
z
No.31 Model 31
No.32 Model 32
No.33 Model 33
z
z
No.34 Model 34
No.35 Model 35
z
z
z
z
No.36 Model 36
No.37 Model 37
No.38 Model 38
No.39 Model 39
z
z
z
No.40 Model 40
No.41 Model 41
No.42 Model 42
z
z
z
z
z
z
z
No.46 Model 46
No.47 Model 47
No.48 Model 48
No.49 Model 49
No.43 Model 43
No.44 Model 44
No.45 Model 45
z
z
z
z
z
z
No.50 Model 50
No.51 Model 51
No.52 Model 52
No.53 Model 53
No.54 Model 54
z
z
No.55 Model 55
z
z
z
z
z
No.58 Model 58
No.59 Model 59
No.60 Model 59
No.61 Model 59
No.62 Model 60
z
No.57 Model 57
z
No.56 Model 56
z
z
z
No.63 Model 61
z
z
Gambar 4.1 (a) Kemungkinan pola-pola dari Pola Busur Terlokalisasi untuk Pola Bujursangkar 5X5 (nomor urut 1 sampai 63)
63
z
No.64 Model 61
No.65 Model 61
No.67 Model 63
No.68 Model 64
z
z
No.73 Model 66
No.74 Model 66
No.75 Model 67
No.66 Model 62
z
No.70 Model 64
z
No.71 Model 65
No.69 Model 64
No.72 Model 66
z
z
No.76 Model 68
z
No.77 Model 69
z
No.78 Model 69
z
No.79 Model 70
z
No.81 Model 71
No.82 Model 72
z
z
No.83 Model 73
No.84 Model 74
z
z
No.85 Model 74
No.86 Model 75
No.80 Model 71
z
z
z
z
No.88 Model 76
No.89 Model 77
No.90 Model 78
No.91 Model 78
z
z
z No.98 Model 84
z
No.87 Model 76
z
z
z
z
z
z
No.92 Model 79
No.93 Model 80
No.94 Model 81
No.95 Model 81
No.96 Model 82
No.97 Model 83
z
z
z
z
z
z
No.99 Model 85
No.100 Model 86
z
z
No.106 Model 92
No.107 Model 92
No.101 Model 87
No.103 Model 89
z No.108 Model 92
No.109 Model 93
No.104 Model 90
z No.105 Model 91
z
No.102 Model 88
z
No.110 Model 94
No.111 Model 94
z
z
No.112 Model 94
z
z
z
z
No.113 Model 95
No.114 Model 96
No.115 Model 97
No.116 Model 98
No.117 Model 98
No.118 Model 98
No.119 Model 99
z
z No.121 Model 101
z No.122 Model 101
z
z
No.123 Model 101
z
No.124 Model 102
z
z
z
z No.125 Model 103
z
z
z
No.120 Model 100
z
z
Gambar 4.1(b) Kemungkinan pola-pola dari Pola Busur Terlokalisasi untuk Pola Bujursangkar 5X5 (nomor urut 64 sampai 125)
64
z
4.1.2
Pemilihan Pola Model
Pengurangan waktu proses dilakukan dengan pemilihan pola dari 125 pola di atas yang memang sering muncul pada Aksara Bali. Pemilihan pola-pola itu dilakukan dengan menggunakan bantuan program untuk menghitung keseringan muncul masing-masing pola tersebut pada sejumlah citra biner Aksara Bali. Sampel data yang dipergunakan untuk membentuk pola model dalam penelitian sebanyak 600 buah citra Aksara Bali yang diambil dari beberapa buku cetak dan internet. Adapun tipe data dan potongan program (berupa fungsi dan prosedur) yang dipergunakan adalah sebagai berikut: SignWidth = 165; SignHeigh = 140; MaxModel = 1500; PatternName125 = 'WModel125.dat'; type TPattern = array[0..4,0..4] of byte; TAGambar = array[1..SignHeigh,1..SignWidth] of byte; TWModelPattern = record Nomor : byte; Model : byte; Pattern : TPattern; Freq : word; end; TWArrModelPattern = array [1..125] of TWModelPattern; var WArrModelPattern TotalSampelSign
: TWArrModelPattern; : word;
function BacaGambar : TAGambar; var i,j : byte; Gambar : TAGambar; begin for i := 1 to SignHeigh do for j := 1 to SignWidth do Gambar[i,j] := 0; for i := 0 to SignHeigh-1 do for j := 0 to SignWidth-1 do begin if FModelDesign.Image1.Canvas.Pixels[j,i] >= (clWhite - (clWhite div 3)) Then Gambar[i+1,j+1] := 0 else Gambar[i+1,j+1] := 1; end; BacaGambar := Gambar; end;
65
procedure TFModelDesign.SBCount125Click(Sender: TObject); var NSign : word; Gambar : TAGambar; i,j,x,y : integer; cocok : boolean; NM : byte awalX_L, awalY_L,akhirX_L, akhirY_L : byte; begin awalX_L := 1; akhirX_L := SignHeigh; awalY_L := 1; akhirY_L := SignWidth; for NM := 1 to 125 do WArrModelPattern[NM].Freq := 0; for NSign := 1 to TotalSampelSign do begin Image1.Picture.LoadFromFile(ListBox2.Items[NSign-1]); Gambar := BacaGambar; for NM := 1 to 125 do begin for x := (awalX_L-4) to (akhirX_L - 4) do for y := (awalY_L-4) to (akhirY_L - 4) do begin i := 0; cocok := true; repeat inc(i); j := 0; repeat inc(j); if ((i+x-1) 0 then cocok := false; end else if WArrModelPattern[NM].Pattern[i-1,j-1] <> Gambar[i+x-1,j+y-1] then cocok := false; until (cocok = false) or (j = 5); until (cocok = false) or (i = 5); if (cocok = true) and (i=5) and (j=5) then inc(WArrModelPattern[NM].Freq); end; end; end; end;
Setelah dieksekusi dengan mempergunakan 600 buah sampel citra Aksara Bali, hasil dari potongan program di atas adalah berupa cacah keseringan muncul masing-masing pola model yang tersimpan pada variabel freq dalam variabel WArrModelPattern. Tabel cacah keseringan muncul dari 125 pola tersebut seperti
terlihat pada Tabel 4.1.
66
Tabel 4.1 Frekuensi kemunculan masing-masing pola pada 600 citra biner Aksara Bali No Model Freq 1
1
2
2
489
3
3
4
No Model Freq No Model Freq No Model
36365 26
Fr eq
No Model
Fr eq
26
19
51
51
0
76
68
0
101
87
0
27
27
0
52
52
0
77
69
0
102
88
8
223
28
28
9
53
53
0
78
69
0
103
89
0
4
743
29
29
0
54
54
2
79
70
0
104
90
15
5
5
226
30
30
0
55
55
6
80
71
0
105
91
0
6
6
244
31
31
15
56
56
0
81
71
0
106
92
1
7
7
5
32
32
0
57
57
0
82
72
0
107
92
0
8
8
171
33
33
6
58
58
58154 83
73
0
108
92
0
9
9
4
34
34
1
59
59
0
84
74
0
109
93
3
10
10
23
35
35
0
60
59
0
85
74
0
110
94
0
11
11
8
36
36
1
61
59
0
86
75
0
111
94
0
12
12
49
37
37
0
62
60
0
87
76
0
112
94
0
13
13
14
38
38
0
63
61
0
88
76
0
113
95
0
14
14
68
39
39
0
64
61
0
89
77
0
114
96
0
15
15
0
40
40
0
65
61
2
90
78
5
115
97
1
16
16
0
41
41
0
66
62
0
91
78
0
116
98
0
17
17
0
42
42
0
67
63
17262 92
79
6
117
98
1
18
18
0
43
43
0
68
64
2
93
80
2
118
98
0
19
19
30
44
44
0
69
64
0
94
81
0
119
99
0
20
20
0
45
45
0
70
64
0
95
81
0
120
100
0
21
21
0
46
46
11319 71
65
0
96
82
126 121
101
0
22
22
0
47
47
10
72
66
0
97
83
539 122
101
0
23
23
0
48
48
0
73
66
0
98
84
0
123
101
3
24
24
0
49
49
8896 74
66
0
99
85
7
124
102
3
25
25
0
50
50
67
0
100
86
32
125
103
0
2
75
Hasil dari model pola yang didapat, kemudian diurutkan berdasarkan frekuensi kemunculan terbanyak, hasilnya dapat dilihat pada Tabel 4.2.
67
Tabel 4.2 Frekuensi kemunculan masing-masing pola pada 600 citra Aksara Bali yang sudah diurut No
Model
Freq
No
Model
Freq
No
Model
Freq
8
51
103
0
76
92
0
101
87
0
85
7
52
98
0
77
94
0
102
69
0
28
79
6
53
68
0
78
59
0
103
69
0
11319
29
33
6
54
92
0
79
103
0
104
70
0
49
8896
30
55
6
55
78
0
80
17
0
105
71
0
6
4
743
31
78
5
56
64
0
81
38
0
106
71
0
7
83
539
32
7
5
57
84
0
82
44
0
107
72
0
8
2
489
33
9
4
58
81
0
83
66
0
108
56
0
9
6
244
34
102
3
59
101
0
84
62
0
109
74
0
10
5
226
35
93
3
60
66
0
85
53
0
110
75
0
11
3
223
36
101
3
61
101
0
86
57
0
111
76
0
12
8
171
37
64
2
62
73
0
87
66
0
112
76
0
13
82
126
38
50
2
63
94
0
88
41
0
113
95
0
14
14
68
39
61
2
64
81
0
89
35
0
114
77
0
15
12
49
40
54
2
65
24
0
90
100
0
115
59
0
16
86
32
41
80
2
66
52
0
91
27
0
116
37
0
17
19
30
42
34
1
67
95
0
92
30
0
117
45
0
18
10
23
43
92
1
68
51
0
93
29
0
118
64
0
19
26
19
44
98
1
69
22
0
94
25
0
119
60
0
20
90
15
45
97
1
70
59
0
95
16
0
120
65
0
21
31
15
46
36
1
71
15
0
96
48
0
121
61
0
22
13
14
47
94
0
72
40
0
97
21
0
122
23
0
23
47
10
48
48
0
73
99
0
98
42
0
123
66
0
24
28
9
49
98
0
74
32
0
99
91
0
124
61
0
25
88
8
50
43
0
75
94
0
100
18
0
125
75
0
No
Model
Freq
No
Model Freq
1
58
58154
26
11
2
1
36365
27
3
63
17262
4
46
5
Cacah keseringan muncul dari masing-masing pola seperti yang terlihat pada Tabel 4.2 dipergunakan sebagai bahan pertimbangan untuk memilih pola model sistem yaitu dengan menentukan batas cacah terkecil keseringan muncul, tetapi sebelumnya dilakukan penjumlahan frekuensi kemunculan pola-pola dengan model yang sama. Batas terkecil yang dipakai adalah 10 kali. Hasilnya adalah 23 pola model terpilih seperti terllihat pada Tabel 4.3. 68
Tabel 4.3 Frekuensi kemunculan masing-masing pola pada 600 citra Aksara Bali yang sudah diurut dengan batasan terkecil 10 kali No Model Freq
No Model Freq
1
58
58154 13
82
126
2
1
36365 14
14
68
3
63
17262 15
12
49
4
46
11319 16
86
32
5
49
8896
17
19
30
6
4
743
18
10
23
7
83
539
19
26
19
8
2
489
20
90
15
9
6
244
21
31
15
10
5
226
22
13
14
11
3
223
23
47
10
12
8
171
Hasil dari ke 23 pola model tersebut akan diurutkan sesuai dengan nomor modelnya, sehingga diperoleh hasil seperti yang terlihat pada Tabel 4.4. Tabel 4.4 Frekuensi kemunculan masing-masing pola pada 600 citra Aksara Bali yang sudah diurut berdasarkan nomor model dengan batasan terkecil 10 No Model Freq 1
1
2
2
489
3
3
4
No Model Freq
36365 13
26
19
14
31
15
223
15
46
11319
4
743
16
47
10
5
5
226
17
49
8896
6
6
244
18
58
58154
7
8
171
19
63
17262
8
10
23
20
82
126
9
12
49
21
83
539
10
13
14
22
86
32
11
14
68
23
90
15
12
19
30
69
Hasil dari model pola yang didapat dari tabel diatas dapat digambarkan pada Gambar 4.2 dan setelah penomorannya disesuaikan maka diperoleh pola model seperti terlihat pada Gambar 4.3. Pola-pola inilah yang dipergunakan sistem untuk mengekstraksi ciri citra aksara. No. 1 Model1
No. 2 Model2
No. 3 Model3
No. 4 Model4
No. 10 Model10
No. 12 Model12
No. 13 Model13
No. 14 Model14
No. 46 Model46
. No. 47 Model47
No. 58 Model58
No. 100 Model86
No. 104 Model90
No. 49 Model49
No. 6 Model6
No. 8 Model8
No. 19 Model19
No. 26 Model26
No. 31 Model31
No. 67 Model63
No. 96 Model82
No. 5 Model5
Gambar 4.2 Pola-pola terpilih sebanyak 23 pola
70
No. 97 Model83
Gambar 4.3 Pola-pola terpilih sebanyak 23 pola yang penomorannya telah disesuaikan
4.1.3
Penentuan Konstanta
Efektifitas dan unjuk kerja metode pengenalan Aksara Bali yang digunakan dipengaruhi oleh nilai-nilai konstanta yang ditetapkan. Konstanta ini sebelum dipergunakan oleh sistem secara permanen, harus dilakukan pengujian terlebih dahulu dengan beberapa variasi yang disesuaikan dengan anjuran dari pustaka. Konstanta
yang
mempengaruhi
sistem
pengenalan
Aksara
Bali
dengan
menggunakan metode Pola Busur Terlokalisasi ada dua yakni:
i.
Konstanta nomor pemotongan nilai eigen (q)
Perhitungan nilai ketidaksamaan pada Persamaan 3.7 terdapat sebuah konstanta yang nilainya ditentukan menurut hasil pengujian. Konstanta ini adalah konstanta nomor pemotongan nilai eigen (q), yang mana q adalah bilangan integer positif yang kurang dari dimensi vektor kolom (p). Saat pembuatan basis data acuan, nilai q yang dicoba adalah mulai dari 1 sampai nantinya dihentikan pada nilai q yang memberikan pesan kesalahan bahwa 71
telah terjadi proses pembagian dengan bilangan nol. Hal ini mengingat nilai eigen yang dihasilkan dengan urutan menurun pada nomor urut besar cenderung menghasilkan bilangan yang sangat kecil atau bahkan nol. Hal ini tentunya akan menyebabkan kesalahan sistem akan besar. Berdasarkan hasil pengujian terhadap variasi nilai q dipilih satu nilai yang mengakibatkan sistem mengalami kesalahan terkecil, dan seterusnya dipergunakan sebagai konstanta nomor pemotongan nilai eigen dalam setiap proses pengenalan.
ii. Konstanta pengali nilai ambang (Cd)
Konstanta Cd merupakan koefisien pengali dari median nilai ketidaksamaan yang didapat pada saat pengenalan tiga Aksara Bali pembanding dengan Aksara Bali acuan yang didaftar (C), untuk menghasilkan nilai ambang atau nilai kritis (Cc). Pengujian terhadap Cd dilakukan pada nilai 2,0; 3,0; 4,0 dan 5,0 . Nilai ini dipakai agar nilai ambang yang dihasilkan tidak terlalu jauh menyimpang dari nilai C yang didapatkan. Jika Cd kurang dari 2,0 maka batas penerimaan akan sangat sempit sehingga prosentase kesalahan tidak dikenalinya karakter Aksara Bali tersebut akan besar. Sebaliknya jika Cd lebih besar dari 5,0 maka batas penerimaan akan terlalu lebar sehingga menyebabkan kesalahan mengenali karakter Aksara Bali. Nilai Cd yang memberikan prosentase kesalahan terkecil akan ditetapkan seterusnya sebagai konstanta pengali nilai ambang sistem pengenalan ini.
4.1.4
Tahap Pengujian
Tahap-tahap pengujian sistem dilakukan sebagai berikut: i.
Pengumpulan karakter Aksara Bali acuan
Sumber data yang dipakai sebagai sampel Aksara Bali yang digunakan untuk melakukan pembentukan pola model dan pengujian sistem pengenalan karakter ini adalah sebagian diambil dari data citra Aksara Bali dalam penelitian I Komang Gede Suamba Dharmayasa (Dharmayasa, 2009). Sampel Aksara Bali yang digunakan diperoleh dari hasil scan buku ajar Bahasa Bali yang diambil menggunakan segmentasi per blok karakter dan juga dari internet. 72
ii.
Pengumpulan karakter Aksara Bali uji
Banyak dan variasi Aksara Bali yang diuji bervariasi sesuai dengan data yang dimiliki. iii.
Ujicoba antarmuka sistem
Sebelum dilakukan pengujian ke tahapan berikutnya, terlebih dahulu dilakukan dulu uji coba terhadap keseluruhan antarmuka sistem yang telah dibuat. Tujuannya adalah untuk mengetahui kesiapan komponen-komponen antarmuka sistem tersebut untuk mendukung pengujian sistem pengenalan selanjutnya. iv.
Pendaftaran Aksara Bali acuan
Aksara Bali yang telah dikumpulkan sebagai Aksara acuan selanjutnya didaftarkan melalui proses pendaftaran, yang pada intinya data Aksara Bali ini dimasukkan ke dalam file basis data acuan, dimana setiap karakter bisa didaftarkan lebih dari sekali sesuai dengan variasi model citra karakter yang didapatkan. Setiap nilai konstanta pemotongan nilai eigen (q) terhubung dengan sebuah file basis data acuan, baik yang menggunakan pola model Aksara Bali maupun pola model tandatangan Indonesia. v.
Pengenalan Aksara Bali uji
Setelah keseluruhan file basis data acuan selesai dibuat baru dilakukan pengenalan terhadap karakter Aksara Bali uji yang telah terkumpul.
4.1.5
Hasil Pengujian
Adapun hasil pengujian yang dilakukan terhadap sistem pengenalan karakter Aksara Bali dalam penelitian ini, sesuai dengan tahap-tahap yang telah dipaparkan di atas adalah sebagai berikut:
4.1.5.1 Ujicoba Antarmuka Sistem
Gambar-gambar berikut ini adalah beberapa contoh tampilan antarmuka sistem pengenalan karakter Aksara Bali, yang mana kegunaan serta rancangannya
73
sesuai dengan apa yang telah dipaparkan sebelumnya pada bab Perancangan dan Pembuatan Sistem Pengenalan sub bab Pemrograman.
Gambar 4.4 Tampilan awal sistem pengenalan
Gambar 4.5 Tampilan Setting Lingkungan untuk proses pendaftaran
74
Gambar 4.6 Contoh tampilan saat Aksara A diuji
Gambar 4.7 Contoh laporan hasil pengenalan
75
4.1.5.2 Pendaftaran karakter Aksara Bali Acuan
Tahap pendaftaran yang bertujuan untuk mendaftarkan masing-masing karakter Aksara pada file basis data acuan, dari dua jenis pola model yang digunakan yaitu pola model Aksara Bali dan pola model tandatangan Indonesia, masing-masing memiliki file basis data acuan sendiri-sendiri untuk setiap konstanta pemotongan nilai eigen (q) yang dicobakan. Hasil pengujian berupa waktu proses dan nilai ambang terpilih Aksara Bali uji diperlihatkan dalam tabel-tabel berikut. Tabel 4.5 Nilai ambang terpilih dengan menggunakan 23 pola model Aksara Bali Aksara
Threshold (q=1)
Threshold (q=2)
Threshold (q=3)
Threshold (q=4)
No
Id
1
1
A
7,8356 x 10-3
2,6111 x 101
4,1528 x 102
4,1844 x 1014
2
2
A
3,5359 x 10-2
2,8208 x 101
4,1162 x 103
3,0881 x 1015
3
3
A
5,3718 x 10-2
2,9877 x 101
1,7439 x 1017
6,3372 x 1017
4
4
Adeg-adeg
3,4843 x 10-3
4,1283
3,4868 x 101
1,4751 x 1015
5
5
Adeg-adeg
3,5312 x 10-3
1,0355 x 101
2,9691 x 102
3,8614 x 1015
6
6
Adeg-adeg
1,8635 x 10-2
8,3574 x 101
4,8726 x 1015
8,6688 x 1016
7
7
Ba
6,1542 x 10-3
4,8289 x 101
3,2722 x 102
6,8846 x 1016
8
8
Ba
1,7686 x 10-2
5,4475 x 101
5,5792 x 102
1,3167 x 1017
9
9
Ba
3,8216 x 10-2
1,6810 x 1016
1,5766 x 1017
4,5468 x 1019
10
10
Ca
4,6162 x 10-3
6,6159
1,9444 x 102
9,8612 x 1015
11
11
Ca
2,2540 x 10-3
4,7262 x 1014
8,7554 x 1016
Error
12
12
Carik
4,9926 x 10-4
6,1385
6,1913 x 101
5,8130 x 1015
13
13
Carik
1,8823 x 10-4
4,8888 x 10-1
2,7572 x 101
1,6687 x 1014
14
14
Cecek
8,6293 x 10-4
1,7145
1,6507 x 102
5,1732 x 1014
15
15
Cecek
8,2661 x 10-3
1,4342 x 101
3,0979 x 102
5,7669 x 1015
16
16
Cecek
2,1929 x 10-2
2,1806 x 1016
4,1926 x 1019
Error
-3
17
17
Da
1,8310 x 10
3,3838
1,9988 x 10
8,8574 x 1014
18
18
Da
2,6951 x 10-2
6,5725 x 101
7,0882 x 102
1,6984 x 1016
19
19
Da
5,9961 x 10-2
7,4486 x 1014
2,9995 x 1017
1,9849 x 1019
20
20
Ga
4,7171 x 10-3
3,3614
2,7621 x 102
2,0612 x 1016
21
21
Ga
8,2606 x 10-2
1,8526 x 1016
1,2328 x 1018
1,1157 x 1020
22
22
Gantungan E
3,7141 x 10-3
6,5534
1,6580 x 102
3,6772 x 1015
23
23
Gantungan E
3,7141 x 10-3
6,5534
1,6580 x 102
3,6772 x 1015
76
1
Threshold (q=2)
Threshold (q=3)
2,8754 x 10-4
3,4465 x 1014
1,6950 x 1016
Error
Gantungan E
2,0424 x 10-4
2,4722 x 1012
6,2731 x 1014
2,5646 x 1017
26
Ha
9,5921 x 10-4
3,1541
8,1163
3,7987 x 1014
27
27
Ja
5,5808 x 10-3
5,0124 x 101
2,2521 x 102
4,6131 x 1014
28
28
Ja
2,7912 x 10-2
8,8293 x 1015
1,9779 x 1018
Error
29
29
Ja
7,0583 x 10-4
3,4664 x 1014
4,2591 x 1015
Error
No
Id
Aksara
24
24
Gantungan E
25
25
26
Threshold (q=1)
-3
1
Threshold (q=4)
30
30
Ka
5,1982 x 10
7,7039
3,4347 x 10
3,8597 x 1015
31
31
Ka
1,9940 x 10-2
3,9804
4,2883 x 102
4,7399 x 1015
32
32
Ka
9,6744 x 10-2
5,3690 x 1017
1,5202 x 1019
1,9046 x 1020
33
33
Ka
6,4724 x 10-3
8,6226 x 1016
3,6667 x 1018
Error
34
34
La
2,9913 x 10-3
4,1971
1,9796 x 102
1,3907 x 1016
35
35
La
3,0361 x 10-3
5,3548 x 1015
3,1782 x 1016
2,5179 x 1017
36
36
Li
1,3203 x 10-2
6,6306 x 101
6,1675 x 102
2,5259 x 1015
37
37
Li
1,6428 x 10-1
2,5296 x 1016
9,1886 x 1018
2,8250 x 1019
38
38
Ma
8,0646 x 10-3
3,1638
2,1486 x 102
1,2625 x 1016
39
39
Ma
1,9831 x 10-2
1,0118 x 1016
4,0426 x 1018
Error
40
40
Na
0
0
0
Error
41
41
Na
3,1400 x 10-3
5,8828 x 1015
5,3150 x 1017
Error
42
42
Nga
4,8930 x 10-4
1,2132 x 101
6,7628
1,5864 x 1015
43
43
Nga
6,7087 x 10-4
1,3643 x 1014
2,4135 x 1016
2,3653 x 1017
44
44
Ngi
1,1514 x 10-2
6,3709
3,0620 x 102
1,2498 x 1016
45
45
Ngi
7,0567 x 10-3
1,0909 x 101
3,2172 x 101
1,4764 x 1015
46
46
Nya
5,6901 x 10-3
3,0989 x 101
7,4286 x 101
5,1635 x 1019
47
47
Nya
1,2049 x 10-2
2,6756 x 1015
3,9365 x 1016
5,1525 x 1019
48
48
Pa
2,8619 x 10-3
1,0972 x 101
1,7268 x 102
1,3028 x 1016
49
49
Pa
1,3719 x 10-3
1,1490 x 1016
1,7841 x 1018
Error
50
50
Pa
3,2950 x 10-3
1,9820 x 1015
5,2415 x 1017
Error
51
51
Ra
9,3137 x 10-3
1,3700 x 101
4,0432 x 102
2,9042 x 1015
52
52
Ra
4,3535 x 10-2
4,6613 x 1015
1,0888 x 1018
3,2739 x 1018
53
53
Ra
2,4031 x 10-2
1,7941 x 101
5,9910 x 1020
Error
-3
54
54
Ri
3,7696 x 10
2,1059
6,9325 x 10
3,6780 x 1015
55
55
Sa
6,3259 x 10-4
8,4236 x 101
5,1131
6,4470 x 1014
56
56
Sa
1,5114 x 10-3
2,2430 x 1016
3,4128 x 1018
Error
77
1
Aksara
Threshold (q=1)
Threshold (q=2)
Threshold (q=3)
Threshold (q=4)
No
Id
57
57
Su
1,0525 x 10-4
1,2369 x 101
3,2591 x 102
4,1940 x 1015
58
58
Su
3,6213 x 10-1
8,1935 x 1016
1,1557 x 1018
3,0126 x 1020
59
59
Ta
6,3948 x 10-4
5,5588
8,2758
5,7954 x 1014
60
60
Ta
5,9957 x 10-2
2,0063 x 1016
4,5311 x 1018
1,6572 x 1019
61
61
Ta
1,9852 x 10-4
1,2244 x 1014
1,5291 x 1016
2,7858 x 1016
62
62
Tang
9,9590 x 10-3
3,3741 x 101
1,7751 x 102
2,6635 x 1015
63
63
Tur
9,6710 x 10-3
9,9533
2,6410 x 102
2,3916 x 1014
64
64
Tya
4,9552 x 10-3
9,0300
3,2519 x 101
4,0577 x 1015
65
65
Wa
1,0622 x 10-3
2,9249
3,3657 x 101
6,1986 x 1013
66
66
Wa
2,6553 x 10-4
8,7230 x 1013
8,7916 x 1015
Error
67
67
Wa
5,4214 x 10-3
4,0310
1,8087 x 1015
1,9716 x 1018
68
68
Ya
8,3370 x 10-4
1,0470
8,3040 x 101
6,6480 x 1013
69
69
Ya
2,2893 x 10-3
2,2455 x 1014
2,0377 x 1016
5,3135 x 1023
70
70
Ya
4,1719 x 10-4
4,2141 x 1014
4,3331 x 1015
Error
Tabel 4.5 diatas menampilkan sudah terjadi kesalahan proses pembagian dengan bilangan nol untuk Q=4 dengan nomor identitas karakter 11, sehingga pendaftaran dengan konstanta pemotongan nilai eigen (q) yang lebih besar dari 4 tidak dilanjutkan lagi dan nantinya pengujian hanya dilakukan sampai pada q=3. Tabel 4.6 Nilai ambang terpilih dengan menggunakan 42 pola model tandatangan Aksara
Threshold (q=1)
Threshold (q=2)
Threshold (q=3)
Threshold (q=4)
No
Id
1
1
A
7,8191 x 10-3
2,5942 x 101
4,1247 x 102
8,7704 x 1014
2
2
A
3,5332 x 10-2
2,8234 x 101
6,0409 x 103
1,5768 x 1017
3
3
A
5,3118 x 10-2
2,9843 x 101
1,7419 x 1017
6,3301 x 1017
4
4
Adeg-adeg
3,3834 x 10-3
4,0270
3,3742 x 101
1,2140 x 1015
5
5
Adeg-adeg
3,5312 x 10-3
1,0355 x 101
2,9691 x 102
2,5868 x 1016
6
6
Adeg-adeg
1,8635 x 10-2
8,3574 x 101
4,8726 x 1015
8,6688 x 1016
7
7
Ba
6,1247 x 10-3
4,7952 x 101
3,0434 x 102
4,1610 x 1016
8
8
Ba
1,7686 x 10-2
5,4475 x 101
5,5792 x 102
1,3174 x 1017
9
9
Ba
3,8216 x 10-2
1,6810 x 1016
1,5766 x 1017
4,5468 x 1019
10
10
Ca
4,6099 x 10-3
6,6431
1,9385 x 102
1,6435 x 1016
78
Threshold (q=2)
Threshold (q=3)
2,8689 x 10-3
3,4555 x 1014
2,9528 x 1016
Error
Carik
4,8413 x 10-4
6,7567
6,2582 x 101
9,2270 x 1015
13
Carik
1,8823 x 10-4
4,8888 x 10-1
2,7572 x 101
7,7356 x 1014
14
14
Cecek
7,9042 x 10-4
1,5769
1,7100 x 102
1,3435 x 1014
15
15
Cecek
8,1948 x 10-3
1,4219 x 101
3,0712 x 102
1,9769 x 1016
16
16
Cecek
2,1929 x 10-2
2,1806 x 1016
4,1992 x 1019
Error
No
Id
11
11
Ca
12
12
13
Threshold (q=1)
Aksara
17
17
Da
1,7347 x 10
3,2803
2,2385 x 10
3,1917 x 1014
18
18
Da
2,6951 x 10-2
6,5111 x 101
7,0867 x 102
1,6913 x 1016
19
19
Da
6,0026 x 10-2
7,4923 x 1014
3,0006 x 1017
1,6691 x 1019
20
20
Ga
4,7117 x 10-3
3,3334
3,4316 x 102
2,1261 x 1016
21
21
Ga
8,2606 x 10-2
1,8526 x 1016
1,2328 x 1018
1,1157 x 1020
22
22
Gantungan E
3,7141 x 10-3
6,5528
1,6628 x 102
4,9319 x 1015
23
23
Gantungan E
3,7141 x 10-3
6,5528
1,6628 x 102
4,9319 x 1015
24
24
Gantungan E
3,5942 x 10-4
4,1205 x 1014
2,0450 x 1016
2,4298 x 1015
25
25
Gantungan E
2,0424 x 10-4
2,4724 x 1012
5,7668 x 1014
8,8231 x 1015
26
26
Ha
9,4590 x 10-4
3,1432
8,4637
9,2776 x 1014
27
27
Ja
5,4752 x 10-3
4,9925 x 101
2,5031 x 102
9,3853 x 1014
28
28
Ja
2,7848 x 10-2
8,8293 x 1015
4,8067 x 1016
1,7227 x 1018
29
29
Ja
7,0583 x 10-4
3,5237 x 1014
4,2591 x 1015
Error
30
30
Ka
4,9808 x 10-3
7,9715
3,7108 x 101
1,6986 x 1014
31
31
Ka
1,9891 x 10-2
3,9709
5,9000 x 102
4,3264 x 1015
32
32
Ka
9,6744 x 10-2
3,7242 x 1016
8,8394 x 1017
2,2099 x 1019
Ka
-3
17
17
33
33
-3
6,4724 x 10
2,4058 x 10
7,2964 x 10
34
La
2,9821 x 10
4,2185
2,0419 x 10
3,9402 x 1017
35
35
La
2,9729 x 10-3
2,2070 x 1015
2,3323 x 1018
Error
36
36
Li
1,3164 x 10-2
7,1286 x 101
6,9980 x 102
7,2826 x 1014
37
37
Li
1,6428 x 10-1
2,9621 x 1016
7,0529 x 1018
1,4748 x 1019
38
38
Ma
8,0541 x 10-3
3,1581
2,1370 x 102
6,8360 x 1016
39
39
Ma
1,9953 x 10-2
1,0166 x 1016
4,0516 x 1018
Error
40
40
Na
0
0
0
Error
41
Na
-3
3,1400 x 10
-4
2
Error
34
41
-3
1
Threshold (q=4)
15
5,3150 x 10
Error
1
5,8281 x 10
17
42
42
Nga
4,8930 x 10
6,2435 x 10
6,7742
1,0693 x 1014
43
43
Nga
6,7087 x 10-4
4,6754 x 1014
7,9949 x 1015
3,2531 x 1016
79
Aksara
Threshold (q=1)
Threshold (q=2)
Threshold (q=3)
Threshold (q=4)
No
Id
44
44
Ngi
1,1492 x 10-2
6,3927
3,5960 x 102
4,1857 x 1016
45
45
Ngi
7,0019 x 10-3
1,1502 x 101
3,5266 x 101
2,9261 x 1014
46
46
Nya
5,6774 x 10-3
3,1847 x 101
7,6438 x 101
4,7632 x 1015
47
47
Nya
1,2048 x 10-2
2,6672 x 1015
3,8268 x 1016
4,5973 x 1019
48
48
Pa
2,8560 x 10-3
1,0951 x 101
2,2490 x 102
9,1179 x 1015
49
49
Pa
7,1731 x 10-2
1,9217 x 1016
4,8439 x 1018
2,1114 x 1019
50
50
Pa
4,8366 x 10-3
1,9820 x 1015
5,2415 x 1017
Error
-3
1
2
51
51
Ra
9,3072 x 10
1,3734 x 10
4,4646 x 10
1,6233 x 1015
52
52
Ra
4,3788 x 10-2
8,8407 x 1015
1,0729 x 1018
2,9851 x 1018
53
53
Ra
2,4104 x 10-2
1,7995 x 101
6,0092 x 1020
Error
54
54
Ri
3,7464 x 10-3
2,0930
7,4038 x 101
4,2006 x 1015
55
55
Sa
5,5117 x 10-4
7,3527 x 101
4,6129
1,7469 x 1013
56
56
Sa
1,5117 x 10-3
2,3784 x 1016
3,3560 x 1018
Error
57
57
Su
1,0513 x 10-4
1,2842 x 101
3,5915 x 102
4,1934 x 1016
58
58
Su
3,6213 x 10-1
8,1932 x 1016
1,1547 x 1018
3,0099 x 1020
59
59
Ta
6,3392 x 10-4
5,6857
8,2600
1,3019 x 1013
60
60
Ta
5,9957 x 10-2
1,1167 x 1016
1,6819 x 1018
6,3496 x 1019
61
61
Ta
1,9852 x 10-4
6,7491 x 1013
2,8912 x 1016
Error
62
62
Tang
9,8836 x 10-3
3,4408 x 101
4,2306 x 102
4,1377 x 1015
63
63
Tur
9,6710 x 10-3
9,9567
2,5991 x 102
1,7777 x 1014
64
64
Tya
4,9112 x 10-3
8,9951
3,4263 x 101
1,8784 x 1015
65
65
Wa
1,0496 x 10-3
2,9420
3,5527 x 101
3,0626 x 1016
66
66
Wa
3,3192 x 10-4
1,0903 x 1014
1,1551 x 1016
Error
-3
15
67
67
Wa
5,5000 x 10
4,0732
1,4505 x 10
6,2045 x 1019
68
68
Ya
8,2779 x 10-4
1,0892
8,5665 x 101
4,9609 x 1013
69
69
Ya
2,2893 x 10-3
2,2455 x 1014
2,0377 x 1016
5,3135 x 1023
70
70
Ya
4,1719 x 10-4
4,2141 x 1014
4,3331 x 1015
Error
Pengujian aksara dengan menggunakan 42 model yang diperoleh dari Pola Model tandatangan Indonesia, ditunjukkan pada Tabel 4.6 diatas. Pengujian tersebut dengan variasi nilai q = 1, 2, 3 dan seterusnya. Hasil pengujian yang relative sama juga terjadi seperti pada penggunaan 23 model Aksara Bali, yaitu sudah terjadi kesalahan proses pembagian dengan bilangan nol untuk q=4 dengan nomor identitas 80
karakter 11, sehingga pendaftaran dengan konstanta pemotongan nilai eigen (q) yang lebih besar dari 4 tidak dilanjutkan lagi dan nantinya pengujian hanya dilakukan sampai pada q=3.
4.1.5.3 Pengenalan Karakter Aksara Bali Uji
Pengujian terhadap karakter Aksara Bali dilakukan dengan mengatur variasi konstanta pengali nilai ambang (Cd) yaitu 2, 3, 4 dan 5. Pada Gambar 4.8 terlihat contoh jenis Aksara Bali yaitu Aksara A diuji dengan pengaturan lingkungan dengan 23 pola model Aksara Bali, nilai q=3 dan Cd=3.
Gambar 4.8 Tampilan hasil pengenalan untuk satu huruf
Selengkapnya hasil pengujian yang berupa banyaknya kesalahan (error) yang terjadi pada pengujian keseluruhan aksara uji dengan masing-masing variasi nilai Cd serta waktu proses untuk 23 pola model Aksara Bali, terlihat dalam tabeltabel berikut ini: 81
Tabel 4.7 Jumlah kesalahan pada pengenalan dengan q = 1 dengan menggunakan 23 pola model Aksara Bali
No
Waktu Jenis Aksara Uji (ms)
Jml Uji
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
A Adeg-adeg Ba Ca Carik Cecek Da Ga Gantungan E Ha Ja Ka La Li Ma Na Nga Ngi Ni Nya Pa Ra Ri Sa Su Ta Tang Tur Tya Wa Ya
6 9 13 7 11 12 12 9 13 5 8 12 6 7 7 7 6 5 6 9 8 8 6 7 7 8 6 6 6 7 8
TOTAL
11685 15912 15600 8346 13697 15553 14133 11591 16692 6131 10530 13291 6303 10546 8346 7629 8517 7894 8923 13541 9953 9812 8315 7925 11512 10623 8736 10608 10811 8861 9734
24 7
Cd = 2 diken al
6 9 10 2 11 11 11 9 13 3 8 9 6 7 7 7 6 5 1 9 7 8 6 7 7 8 6 6 6 7 7 22 5 91,1 %
Cd = 3
Tidak terda ftar
Diken al aksar a lain
0 0 3 2 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 7 2,8 %
0 0 0 3 0 1 1 0 0 1 0 3 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 0 0 0 1 15 6,1 %
diken al
6 9 10 2 11 11 11 9 13 4 8 9 6 7 7 7 6 5 1 9 7 8 6 7 7 8 6 6 6 7 7 22 6 91, 5%
8,9%
82
Cd = 4
Tidak terda ftar
Diken al aksar a lain
0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 4 1,6 %
0 0 0 5 0 1 1 0 0 1 0 3 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 0 0 0 1 17 6,9 %
8,5%
diken al
6 9 10 2 11 11 11 9 13 4 8 9 6 7 7 7 6 5 1 9 7 8 6 7 7 8 6 6 6 7 7 22 6 91, 5%
Cd = 5
Tidak terda ftar
Diken al aksar a lain
0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 4 1,6 %
0 0 0 5 0 1 1 0 0 1 0 3 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 0 0 0 1 17 6,9 %
8,5%
diken al
6 9 10 2 11 11 11 9 13 4 8 9 6 7 7 7 6 5 1 9 7 8 6 7 7 8 6 6 6 7 7 22 6 91, 5%
Tidak terda ftar
Diken al aksar a lain
0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 1,2 %
0 0 0 5 0 1 1 0 0 1 0 3 0 0 0 0 0 0 5 0 1 0 0 0 0 0 0 0 0 0 1 18 7,3 %
8,5%
Tabel 4.8 Jumlah kesalahan pada pengenalan dengan q = 2 dengan menggunakan 23 pola model Aksara Bali
No
Waktu Jenis Aksara Uji (ms)
Jml Uji
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
A Adeg-adeg Ba Ca Carik Cecek Da Ga Gantungan E Ha Ja Ka La Li Ma Na Nga Ngi Ni Nya Pa Ra Ri Sa Su Ta Tang Tur Tya Wa Ya
6 9 13 7 11 12 12 9 13 5 8 12 6 7 7 7 6 5 6 9 8 8 6 7 7 8 6 6 6 7 8
TOTAL
11715 16115 15647 8533 13806 15615 14212 11653 16801 6178 10654 13323 6380 10546 8362 7691 8518 7909 9391 14009 10327 10250 8643 8252 11996 11263 9094 11044 11325 9345 10296
24 7
Cd = 2 diken al
3 9 11 2 6 11 8 9 13 3 2 9 3 6 7 7 6 5 0 9 6 8 6 7 7 6 0 6 6 7 5 193 78, 2%
Cd = 3
Tidak terda ftar
Diken al aksar a lain
0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 3 1,2 %
3 0 2 4 5 1 4 0 0 2 6 3 3 0 0 0 0 0 6 0 2 0 0 0 0 2 6 0 0 0 2 51 20, 6%
diken al
3 9 11 2 6 11 8 9 13 3 2 9 3 6 7 7 6 5 0 9 6 8 6 7 7 6 0 6 6 7 5 193 78, 2%
21,8%
83
Cd = 4
Tidak terda ftar
Diken al aksar a lain
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0,4 %
3 0 2 5 5 1 4 0 0 2 6 3 3 1 0 0 0 0 6 0 2 0 0 0 0 2 6 0 0 0 2 53 21, 4%
21,8%
diken al
3 9 11 2 6 11 8 9 13 3 2 9 3 6 7 7 6 5 0 9 6 8 6 7 7 6 0 6 6 7 5 193 78, 2%
Tidak terda ftar
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Cd = 5 Diken al aksar a lain
3 0 2 5 5 1 4 0 0 2 6 3 3 1 0 0 0 0 6 0 2 0 0 0 0 2 6 0 0 0 3 54 21, 8%
21,8%
diken al
3 9 11 2 6 11 8 9 13 3 2 9 3 6 7 7 6 5 0 9 6 8 6 7 7 6 0 6 6 7 5 193 78, 2%
Tidak terda ftar
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Diken al aksar a lain
3 0 2 5 5 1 4 0 0 2 6 3 3 1 0 0 0 0 6 0 2 0 0 0 0 2 6 0 0 0 3 54 21, 8%
21,8%
Tabel 4.9 Jumlah kesalahan pada pengenalan dengan q = 3 dengan menggunakan 23 pola model Aksara Bali
No
Waktu Jenis Aksara Uji (ms)
Jml Uji
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
A Adeg-adeg Ba Ca Carik Cecek Da Ga Gantungan E Ha Ja Ka La Li Ma Na Nga Ngi Ni Nya Pa Ra Ri Sa Su Ta Tang Tur Tya Wa Ya
6 9 13 7 11 12 12 9 13 5 8 12 6 7 7 7 6 5 6 9 8 8 6 7 7 8 6 6 6 7 8
TOTAL
11248 15256 15116 8112 13120 15022 13728 11201 16630 5912 10187 13229 6115 10093 8081 7488 8175 7520 8923 13478 9906 9797 8252 7878 11466 110624 8674 10592 11029 8783 9672
24 7
Cd = 2 diken al
6 9 12 0 11 12 12 9 13 5 8 12 6 7 7 7 6 5 6 9 8 8 6 7 7 8 6 6 6 7 7 23 8 92, 7%
Cd = 3
Tidak terda ftar
Diken al aksar a lain
0 0 1 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 5 2,0 %
0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 1,6 %
diken al
6 9 12 0 11 12 12 9 13 5 8 12 6 7 7 7 6 5 6 9 8 8 6 7 7 8 6 6 6 7 7 23 8 92, 7%
7,3%
84
Cd = 4
Tidak terda ftar
Diken al aksar a lain
0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 3 1,2 %
0 0 0 6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 6 2,4 %
7,3%
diken al
6 9 12 0 11 12 12 9 13 5 8 12 6 7 7 7 6 5 6 9 8 8 6 7 7 8 6 6 6 7 7 23 8 92, 7%
Cd = 5
Tidak terda ftar
Diken al aksar a lain
0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0,4 %
0 0 0 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 8 3,2 %
7,3%
diken al
6 9 12 0 11 12 12 9 13 5 8 12 6 7 7 7 6 5 6 9 8 8 6 7 7 8 6 6 6 7 7 23 8 92, 7%
Tidak terda ftar
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0%
Diken al aksar a lain
0 0 1 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 9 3,6 %
7,3%
Tabel 4.10 Jumlah kesalahan pada pengenalan dengan q = 1 dengan menggunakan 42 pola model tandatangan Indonesia
No
Waktu Jenis Aksara Uji (ms)
Jml Uji
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
A Adeg-adeg Ba Ca Carik Cecek Da Ga Gantungan E Ha Ja Ka La Li Ma Na Nga Ngi Ni Nya Pa Ra Ri Sa Su Ta Tang Tur Tya Wa Ya
6 9 13 7 11 12 12 9 13 5 8 12 6 7 7 7 6 5 6 9 8 8 6 7 7 8 6 6 6 7 8
TOTAL
24227 32978 33540 17987 28860 32682 30061 24289 35100 13057 22011 28470 13806 21684 17581 16333 17581 16708 19297 29546 21699 21419 18018 17706 25303 23072 18767 22869 23213 19047 21154
24 7
Cd = 2 diken al
6 9 10 2 11 11 11 9 13 3 8 9 6 7 7 7 6 5 2 9 8 8 6 7 7 8 6 6 6 7 7 22 7 91, 9%
Cd = 3
Tidak terda ftar
Diken al aksar a lain
0 0 3 2 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 7 2,8 %
0 0 0 3 0 1 1 0 0 1 0 3 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 13 5,3 %
diken al
6 9 10 2 11 11 11 9 13 3 8 9 6 7 7 7 6 5 2 9 8 8 6 7 7 8 6 6 6 7 7 22 7 91, 9%
8,1%
85
Cd = 4
Tidak terda ftar
Diken al aksar a lain
0 0 3 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 6 2,4 %
0 0 0 4 0 1 1 0 0 1 0 3 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 14 5,7 %
8,1%
diken al
6 9 10 2 11 11 11 9 13 4 8 9 6 7 7 7 6 5 2 9 8 8 6 7 7 8 6 6 6 7 7 22 8 92, 3%
Cd = 5
Tidak terda ftar
Diken al aksar a lain
0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 1,2 %
0 0 0 5 0 1 1 0 0 1 0 3 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 1 16 6,5 %
7,7%
diken al
6 9 10 2 11 11 11 9 13 4 8 9 6 7 7 7 6 5 2 9 8 8 6 7 7 8 6 6 6 7 7 22 8 92, 3%
Tidak terda ftar
Diken al aksar a lain
0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 1,2 %
0 0 0 5 0 1 1 0 0 1 0 3 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 1 16 6,5 %
7,7%
Tabel 4.11 Jumlah kesalahan pada pengenalan dengan q = 2 dengan menggunakan 42 pola model tandatangan Indonesia
No
Waktu Jenis Aksara Uji (ms)
1 2 3 4 5 6 7 8 9 10 11
A Adeg-adeg Ba Ca Carik Cecek Da Ga Gantungan E Ha Ja
12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Ka La Li Ma Na Nga Ngi Ni Nya Pa Ra Ri Sa Su Ta Tang Tur Tya Wa Ya
TOTAL
23228 31824 33041 17846 29578 33805 30669 25101 35926 13401 22230 8 28688 13759 22090 17940 16474 17722 16271 19344 29546 21684 21512 17987 17597 24960 23182 18970 22901 23447 19110 21169
Jml Uji
Cd = 2
Cd = 3
Cd = 4
Cd = 5
diken al
Tidak terda ftar
Diken al aksar a lain
6 9 13 7 11 12 12 9 13 5
3 9 11 2 6 11 7 9 13 3
0 0 0 2 0 0 0 0 0 0
3 0 2 3 5 1 4 0 0 2
3 9 11 2 6 11 7 9 13 3
0 0 0 2 0 0 0 0 0 0
3 0 2 3 5 1 4 0 0 2
3 9 11 2 6 11 7 9 13 3
0 0 0 1 0 0 0 0 0 0
3 0 2 4 5 1 4 0 0 2
3 9 11 2 6 11 7 9 13 3
0 0 0 1 0 0 0 0 0 0
3 0 2 4 5 1 4 0 0 2
8
2
0
6
2
0
6
2
0
6
2
0
6
12 6 7 7 7 6 5 6 9 8 8 6 7 7 8 6 6 6 7 8
9 3 5 7 7 6 5 0 9 6 8 6 7 7 6 0 6 6 7 5
0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 5
3 3 0 0 0 0 0 6 0 2 0 0 0 0 2 6 0 0 0 2 50 20, 2%
9 3 5 7 7 6 5 0 9 6 8 6 7 7 6 0 6 6 7 5
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 3 1,2 %
3 3 2 0 0 0 0 6 0 2 0 0 0 0 2 6 0 0 0 2 52 21 %
9 3 5 7 7 6 5 0 9 6 8 6 7 7 6 0 6 6 7 5
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0,4 %
3 3 2 0 0 0 0 6 0 2 0 0 0 0 2 6 0 0 0 3 54 21, 8%
9 3 5 7 7 6 5 0 9 6 8 6 7 7 6 0 6 6 7 5
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0,4 %
3 3 2 0 0 0 0 6 0 2 0 0 0 0 2 6 0 0 0 3 54 21, 8%
24 7
192 77, 8%
2%
diken al
192 77, 8%
22,2%
86
Tidak terda ftar
Diken al aksar a lain
diken al
22,2%
192 77, 8%
Tidak terda ftar
Diken al aksar a lain
diken al
Tidak terda ftar
Diken al aksar a lain
22,2%
192 77, 8%
22,2%
Tabel 4.12 Jumlah kesalahan pada pengenalan dengan q = 3 dengan menggunakan 42 pola model tandatangan Indonesia
No
Waktu Jenis Aksara Uji (ms)
Jml Uji
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
A Adeg-adeg Ba Ca Carik Cecek Da Ga Gantungan E Ha Ja Ka La Li Ma Na Nga Ngi Ni Nya Pa Ra Ri Sa Su Ta Tang Tur Tya Wa Ya
6 9 13 7 11 12 12 9 13 5 8 12 6 7 7 7 6 5 6 9 8 8 6 7 7 8 6 6 6 7 8
TOTAL
23166 31559 33126 17722 29094 31605 29125 23884 34257 12605 21372 27675 13260 20935 17160 15897 17051 15663 19453 29734 22090 21622 18065 17644 25241 22418 18174 21981 22324 18579 20639
24 7
Cd = 2 diken al
6 9 12 0 11 12 12 9 13 5 6 12 6 7 7 7 6 5 6 9 4 8 6 6 7 8 2 6 6 7 7 22 7 91, 9%
Cd = 3
Tidak terda ftar
Diken al aksar a lain
0 0 1 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 1 0 0 2 0 0 0 1 12 4,9 %
0 0 0 4 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 8 3,2 %
diken al
6 9 12 0 11 12 12 9 13 5 6 12 6 7 7 7 6 5 6 9 4 8 6 7 7 8 2 6 6 7 7 22 8 92, 3%
8,1%
87
Cd = 4
Tidak terda ftar
Diken al aksar a lain
0 0 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 2 0 0 0 1 10 4,0 %
0 0 0 5 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 9 3,7 %
7,7%
diken al
6 9 12 0 11 12 12 9 13 5 6 12 6 7 7 7 6 5 6 9 4 8 6 7 7 8 2 6 6 7 7 22 8 92, 3%
Tidak terda ftar
0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 5 2%
Cd = 5 Diken al aksar a lain
0 0 0 7 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 1 14 5,7 %
7,7%
diken al
6 9 12 0 11 12 12 9 13 5 6 12 6 7 7 7 6 5 6 9 4 8 6 7 7 8 2 6 6 7 7 22 8 92, 3%
Tidak terda ftar
0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 5 2%
Diken al aksar a lain
0 0 0 7 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 1 14 5,7 %
7,7%
4.2 Analisis Hasil
Analisis
hasil
yang
dilakukan
adalah
terhadap
hasil
pengujian,
pembandingan dengan metode lain, kompleksitas waktu dan kompleksitas ruang penyimpanan.
4.2.1
Analisis Hasil Pengujian
Hasil pengujian yang dilakukan baik dalam hal pembuatan basis data acuan maupun pengujian pengenalan aksara uji, telah dipresentasikan dalam bentuk tabel. Berdasarkan apa yang terlihat pada tabel-tabel hasil pengujian itulah dilakukan analisis terhadap sistem pengenalan ini. Besarnya masing-masing variabel lingkungan sistem yang masih efektif digunakan pada sistem pengenalan untuk 23 pola model Aksara Bali maupun 42 pola model Tandatangan Indonesia adalah: •
Konstanta pemotongan nilai eigen (q) adalah 1, 2 dan 3. Nilai q yang kecil, akan menyebabkan hasil pengenalan menjadi tidak stabil, karena nilai eigen pada urutan kecil belum bisa menggambarkan karakteristik suatu matriks, sedangkan nilai q yang besar (dalam hal ini lebih dari 3) akan cenderung menyebabkan terjadinya kesalahan sistem yaitu adanya pembagian dengan bilangan nol, karena nilai eigen pada urutan besar cenderung bernilai sangat kecil bahkan terkadang mendekati nol.
•
Konstanta pengali nilai ambang (Cd) adalah 2,0; 3,0; 4,0 dan 5,0. Nilai ini dipakai agar nilai ambang yang dihasilkan tidak terlalu jauh menyimpang dari nilai C yang didapatkan.
4.2.1.1 Analisis Pengujian Pengenalan
Hasil pengenalan terhadap karakter Aksara Bali terlihat pada Tabel 4.7 sampai dengan Tabel 4.12 dengan menampilkan banyaknya kesalahan yang terjadi pada masing-masing variasi pengujian. Total kesalahan pada masing-masing variasi lingkungan sistem diperlihatkan kembali dalam Tabel 4.13 yang digunakan untuk mempermudah melakukan analisis.
88
Tabel 4.13 Banyaknya kesalahan yang terjadi pada pengujian sistem pengenalan Cd = 2,0 POLA MODEL
q
Aksara Bali (p=23)
1 2 3 1 2 3
Tandatangan Indonesia (p=42)
Cd = 3,0
diken al
Tidak terdaf tar
Diken al aksar a lain
225 193 238 227 192 227
7 3 5 7 5 12
15 51 4 13 50 8
diken al
226 193 238 227 192 228
Cd = 4,0
Tidak terdaf tar
Diken al aksar a lain
diken al
4 1 3 6 3 10
17 53 6 14 52 9
226 193 238 228 192 228
Cd = 5,0
Tidak terdaf tar
Diken al aksar a lain
diken al
Tidak terdaf tar
Diken al aksar a lain
4 0 1 3 1 5
17 54 8 16 54 14
226 193 238 228 192 228
3 0 0 3 1 5
18 54 9 16 54 14
Angka kesalahan yang terjadi pada pengujian seperti terlihat dari Tabel 4.13 di atas kemudian dihitung prosentase kesalahannya masing-masing, yaitu kesalahan tipe I (kesalahan dimana aksara uji dianggap tidak terdaftar padahal sudah ada), serta kesalahan tipe II (kesalahan sistem yang terjadi akibat kesalahan mengenali aksara uji yang berbeda). Rumusan dari perhitungan masing-masing tipe kesalahan tersebut adalah sebagai berikut : Error Tipe I =
ErrorUj
=
ErrorUj
NUj 247
× 100% × 100%
Error Tipe II =
ErrorUj
=
ErrorUj
N Uj 247
LLLLLL (4.1)
× 100%
LLLLLL (4.2)
× 100%
Error Sistem = Error Tipe I + Error Tipe II
LLLLL (4.3)
Hasil perhitungan dari prosentase kesalahan Tipe I dan Tipe II sistem pengenalan menggunakan rumusan di atas, dengan dasar data yang ada pada Tabel 4.13 diperlihatkan dalam Tabel 4.14, prosentase kesalahan rata-rata dalam Tabel 4.15 dan prosentase keberhasilan yang digunakan sebagai tolok ukur unjuk kerja sistem dalam Tabel 4.16 , sedangkan presentasi dalam bentuk grafik terlihat pada Gambar 4.9, Gambar 4.10, Gambar 4.11 dan Gambar 4.12.
89
Tabel 4.14 Prosentase kesalahan tipe I dan tipe II pada pengujian sistem pengenalan
POLA MODEL
q
Aksara Bali (p=23)
1 2 3 1 2 3
Tandatangan Indonesia (p=42)
Cd = 2,0 Tipe I (%) 2,8 1,2 2,0 2,8 2 4,9
Tipe II (%) 6,1 20,6 1,6 5,3 20,2 3,2
Cd = 3,0 Tipe I (%) 1,6 0,4 1,2 2,4 1,2 4,0
Tipe II (%) 6,9 21,4 2,4 5,7 21 3,7
Cd = 4,0 Tipe I (%) 1,6 0 0,4 1,2 0,4 2
Tipe II (%) 6,9 21,8 3,2 6,5 21,8 5,7
Cd = 5,0 Tipe I (%) 1,2 0 0 1,2 0,4 2
Tipe II (%) 7,3 21,8 3,6 6,5 21,8 5,7
Tabel 4.15 Prosentase kesalahan rata-rata pada pengujian sistem pengenalan POLA MODEL
q
Aksara Bali (p=23)
1 2 3 1 2 3
Tandatangan Indonesia (p=42)
Cd = 2,0
(%) 8,9 21,8 7,3 8,1 22,2 8,1
Cd = 3,0
(%) 8,5 21,8 7,3 8,1 22,2 7,7
Cd = 4,0
(%) 8,5 21,8 7,3 7,7 22,2 7,7
Cd = 5,0
(%) 8,5 21,8 7,3 7,7 22,2 7,7
Tabel 4.16 Prosentase keberhasilan pada pengujian sistem pengenalan POLA MODEL
q
Aksara Bali (p=23)
1 2 3 1 2 3
Tandatangan Indonesia (p=42)
Cd = 2,0
(%) 91,1 78,2 92,7 91,9 77,8 91,9
Cd = 3,0
(%) 91,5 78,2 92,7 91,9 77,8 92,3
90
Cd = 4,0
(%) 91,5 78,2 92,7 92,3 77,8 92,3
Cd = 5,0
(%) 91,5 78,2 92,7 92,3 77,8 92,3
Gambar 4.9 Grafik prosentase kesalahan Tipe I
Gambar 4.10 Grafik prosentase kesalahan Tipe II
91
Gambar 4.11 Grafik prosentase kesalahan rata-rata
Gambar 4.12 Grafik prosentase keberhasilan unjuk kerja sistem
Grafik prosentase kesalahan Tipe I pada Gambar 4.9 menunjukkan bahwa semakin besar konstanta pengali nilai ambang (Cd) maka prosentase kesalahan yang 92
terjadi akan semakin kecil, karena rentang penerimaan semakin besar sehingga sistem akan semakin toleran menerima variasi aksara dengan beda yang lebih besar. Grafik prosentase kesalahan Tipe II pada Gambar 4.10 menunjukkan bahwa semakin besar nilai Cd maka prosentase kesalahan semakin besar pula. Hal ini disebabkan karena aksara yang sebelumnya dianggap tidak terdaftar setelah Cdnya diperbesar maka dikenali sebagai aksara yang berbeda. Kedua hal ini berlaku untuk semua variasi lingkungan sistem baik variasi konstanta q maupun pola model. Grafik pada Gambar 4.11 yang merupakan grafik prosentase kesalahan ratarata yang terjadi pada sistem pengenalan menunjukkan bahwa ada titik minimum prosentase kesalahan yang didapat dari kombinasi lingkungan sistem, yaitu menggunakan 23 pola model Aksara Bali dengan konstanta pemotongan nilai eigen q (noktah segiempat) bernilai 3 untuk semua nilai Cd. Kombinasi lingkungan sistem
ini memberikan prosentase kesalahan terkecil yaitu sebesar 7,3%. Grafik pada Gambar 4.12 menunjukkan prosentase keberhasilan unjuk kerja sistem tidak terlalu dipengaruhi oleh perubahan pengali nilai ambang (Cd) kecuali pada kasus-kasus tertentu yang mana karakter yang sebelumnya dinyatakan tidak terdaftar setelah Cdnya diperbesar maka karakter tersebut dapat dikenali. Variasi nilai q sangat berpengaruh terhadap unjuk kerja sistem baik pada 23 pola model Aksara Bali maupun 42 pola model tandatangan Indonesia, kecuali pada q=2. Hal lain yang bisa diamati dari hasil pengujian adalah waktu proses yang diperlukan untuk melakukan pengenalan pada masing-masing lingkungan sistem seperti terlihat dalam Tabel 4.17. Tabel 4.17 Perbandingan waktu proses untuk 23 pola model Aksara Bali dan 42 pola model Tandatangan Indonesia
No
Jumlah Uji
Pola Model
1 2
247 247
23 42
10 t(ms) 50825 108398
Jumlah Basis data Acuan yang terdaftar 20 30 40 50 60 t(ms) t(ms) t(ms) t(ms) t(ms) 101291 163925 189431 231442 276043 196950 292626 388721 487423 591428
70 t(ms) 317679 695777
Grafik dari waktu proses dari Tabel 4.17 terlihat seperti pada Gambar 4.12. Grafik tersebut menunjukkan waktu proses pengenalan untuk jumlah basis data acuan yang semakin banyak memerlukan waktu yang lebih lama untuk masingmasing pola model. Waktu proses pengenalan yang diperlukan jika menggunakan 93
23 pola model Aksara Bali lebih cepat dibandingkan dengan menggunakan 42 pola model Tandatangan Indonesia. Variasi besarnya konstanta pengali nilai ambang Cd relatif tidak berpengaruh pada waktu proses. Pada spesifikasi perangkat keras yang sama, hal yang paling berpengaruh terhadap waktu proses adalah banyaknya perangkat lunak atau program yang aktif secara bersamaan pada saat pengujian.
Gambar 4.13 Grafik waktu proses pengenalan sistem
Hasil pengujian dan analisis hasil di atas menjelaskan bahwa prosentase keberhasilan unjuk kerja dalam sistem pengenalan Aksara Bali dengan menggunakan Metode Pola Busur Terlokalisasi sudah sangat tinggi yaitu 96,4%. Hal ini dipengaruhi oleh konstanta pemotongan nilai eigen (q), semakin besar nilai (q) maka kesalahan pengenalan semakin kecil.
4.2.2
Analisa Perbandingan Keberhasilan Pengenalan Aksara Bali
Sistem pengenalan Aksara Bali dengan menggunakan metode Pola Busur Terlokalisasi seperti yang dijelaskan pada sub bab diatas mendapatkan prosentase keberhasilan sebesar 92,7%. Hasil pengenalan ini sudah lebih tinggi bila dibandingkan dengan menggunakan pola dari tandatangan Indonesia yang sebesar 92,3 % dan apabila dibandingkan dengan hasil penelitian I Komang Gede Suamba Dharmayasa yang menggunakan metode moment invariant dan LVQ untuk 94
pengenalan Aksara Bali yang memperoleh hasil sebesar 99,4, hasil yang diperoleh dengan menggunakan metode Pola Busur memang relative lebih kecil. Hal ini disebabkan pada metode LVQ, citra Aksara Bali dibagi ke dalam 3 kelompok citra yaitu citra golongan persegi, persegi panjang dengan panjang kesamping, atau persegi panjang dengan panjang ke bawah. Nilai setiap pola akan dicari jaraknya dengan bobot dari kelas-kelas yang memiliki golongan sama di dalam basis data selanjutnya kelas di basis data yang memiliki jarak terpendek dan lebih kecil dari nilai ambang yang ditetapkan adalah merupakan hasil dari pengenalan. Hal ini akan berbeda dengan metode Pola Busur Terlokalisasi dimana citra uji akan dicocokkan dengan semua citra acuan yang tersimpan dalam basis data. Kelebihannya pada penelitian ini dapat mengenali aksara dengan ukuran pixel citra yang berbeda sedangkan pada metode LVQ menggunakan ukuran pixel citra yang sama. Hal lain yang dapat dipergunakan untuk menambah unjuk kerja dari sistem pengenalan dengan metode Pola Busur Terlokalisasi ini yaitu dengan membagi citra acuan maupun citra uji ke dalam empat ruang dimana citra pada masing-masing ruang tersebut akan diekstraksi cirinya. Kekurangannya adalah menyebabkan waktu proses yang lama karena untuk 1 citra aksara, 23 pola model Aksara Bali akan diproses sebanyak 4 kali untuk mengekstraksi citra dimasing-masing ruang. Ukuran vektor untuk menyimpan ciri serta proses berikutnya juga 4 kali lebih banyak yang berdampak pada bertambah tingginya kompleksitas waktu proses pengenalan.
4.2.3
Analisis Kompleksitas Waktu
Selain waktu proses yang bisa dicatat langsung pada saat pengujian sistem (yang dipengaruhi oleh konfigurasi perangkat keras serta program yang aktif saat pengujian), dapat juga dianalisis kompleksitas waktu sistem pengenalan secara umum. Kompleksitas waktu pada suatu sistem ditentukan oleh banyaknya operasi matematis yang terjadi terutama operasi perkalian dan pembagian, serta operasioperasi lain yang diperlukan selama sistem tersebut menjalankan fungsinya. Sistem pengenalan ini kebutuhan waktu sistem ada dua bagian, yaitu: •
Kebutuhan waktu yang tidak dapat dianalisis secara pasti, yaitu pada tahap pengambilan data dan prapemrosesan. Kebutuhan waktu kedua tahapan ini tidak termasuk dalam analisis kompleksitas waktu yang dilakukan.
95
•
Kebutuhan waktu yang dapat dianalisis, yaitu pada tahap ekstraksi ciri, pembandingan dan tahap pembuatan basis data acuan.
Jika dimisalkan banyaknya pola dilambangkan dengan N dan banyaknya pola model yang dikelompokkan dari pola tersebut dilambangkan dengan p, maka dapat dilakukan perhitungan untuk mencari kompleksitas waktu sistem pengenalan ini adalah sebagai berikut : ♦ Kompleksitas waktu tahap ekstraksi ciri Tahap ekstraksi ciri terjadi proses pembandingan pola berukuran 5 x 5 pada citra Aksara Bali yang berukuran 140 x 165 piksel. Pola digerakkan di atas citra baik secara horisontal maupun vertikal sehingga keseluruhan piksel citra Aksara Bali terlingkupi. Banyaknya perbandingan maksimum setiap melakukan sekali ekstraksi ciri adalah: 5 x 5 x 140 x 165 x N = 577500N kali perbandingan Dalam kondisi praktis perbandingan yang terjadi biasanya jauh di bawah 577500N kali, karena pola 5 x 5 yang tidak cocok biasanya sudah diketahui sebelum perbandingan ke-25 pada masing-masing pola. ♦ Kompleksitas waktu tahap pembandingan. Kompleksitas waktu pada tahap pembandingan dicari sesuai dengan prosedur atau fungsi yang dikerjakan yaitu: -
Menghitung matriks varians function CountMeanFrequency(sampel: TPersonSign) : TmeanFrequency; begin for i := 1 to DimVector do begin bantu := 0; for Mi := 1 to Number do bantu := bantu + sampel.freq[i,Mi]; CountMeanFrequency[i] := bantu / number; end; end;
Operasi yang terjadi : Penjumlahan = 3p kali. Pembagian
= p kali. 96
function CountFreqMinMean(Mean : TMeanFrequency; Pr : TPersonSign) : TFreqMinMean; begin for i := 1 to Number do for j := 1 to DimVector do CountFreqMinMean[j,i] := Pr.Freq[j,i]-Mean[j]; end;
Operasi yang terjadi: Pengurangan = 3p kali. function CountVariance(Mean : TMeanFrequency; Pr : TpersonSign): TVariance; begin Vector := CountFreqMinMean(Mean,Pr); for i := 1 to DimVector do for j := 1 to DimVector do begin Temp := 0; for k := 1 to Number do Temp := Temp + Vector[i,k]*Vector[j,k]; Bantu[i,j] := Temp/Number; end; CountVariance := Bantu; end;
Operasi terjadi : Perkalian
= p x p x 3 = 3p2 kali.
Pembagian
= p x p = p2 kali.
Penjumlahan = p x p x 3 = 3p2 kali. Total operasi pada perhitungan matriks varians : Perkalian/pembagian = p + 3p2 + p2 = (4p2 + p) kali. Penjumlahan/pengurangan = 3p + 3p + 3p2 = (6p + 3p2) kali
-
Menghitung nilai eigen dan vektor eigen. Metode Jacobi yang dipergunakan untuk mencari nilai eigen dan vektor eigen, memerlukan maksimum sebanyak 15n3 operasi matematis perkalian atau pembagian (n adalah orde matriks), dengan rincian : rotasi yang dilakukan sebanyak 5n3 kali, sedangkan pada setiap rotasi terjadi 3n operasi matematis. Oleh karena matriks varian berukuran p x p maka operasi perkalian atau pembagian maksimum yang dilakukan pada perhitungan nilai eigen dan vektor eigen adalah 15p3 kali operasi.
97
-
Menghitung nilai ketidaksamaan. function CountZ(L : TVariance; k : integer; X : TFrequency; Urut : TSort) : real; begin bantu := 0; for i := 1 to DimVector do bantu := bantu + L[i,Urut[k]]*X[Urut[i]]; CountZ := bantu; end;
Operasi terjadi : Perkalian
= p kali.
Penjumlahan = p kali. function CountDissimilarity (L : TVariance; Lamda, XMean : TMeanFrequency; X : TFrequency; Urut : TSort) : real; begin dis1 := 0; for k := 1 to qi do begin if Lamda[Urut[k]] <> 0 then dis1 := dis1 + (SQR(CountZ(L,k,X,Urut)countZ(L,k,XMean,Urut))/Lamda[Urut[k]]) else begin if error <> 2 then Error := 1; exit; end; end; dis2 := 0; for k := qi+1 to DimVector do dis2 := dis2 + (SQR(CountZ(L,k,X,Urut)CountZ(L,k,XMean,Urut))/Lamda[Urut[qi]]); CountDissimilarity := dis1 + dis2; end;
Operasi yang terjadi : Penjumlahan
= (p + 1) kali.
Pengurangan
= p kali.
Pembagian
= p kali.
Perpangkatan
= p kali.
Operasi mencari Z
= p x 2 = 2p kali.
Total operasi perhitungan nilai ketidaksamaan: Perkalian/pembagian
= 2p + p + p = 4p kali.
Penjumlahan/pengurangan
= 2p + p + 1 + p = (4p + 1) kali
98
Jadi total operasi maksimum yang terjadi pada tahap pembandingan adalah : Perkalian/pembagian
= (4p2 + p) + (15p3 ) + (4p) = (15p3 + 4p2 + 5p) kali.
Penjumlahan/pengurangan
= (6p + 3p2) + (4p + 1) = (3p2 + 10p + 1) kali
Setiap tahap pembandingan sebelumnya pasti didahului dengan ekstraksi ciri aksara, maka dari itu secara keseluruhan tahap pembandingan memerlukan maksimum (15p3 + 4p2 + 5p) kali operasi perkalian atau pembagian, (3p2 + 10p + 1) kali operasi penjumlahan atau pengurangan serta ditambah 577500N
kali
perbandingan pada tahap ekstraksi ciri. ♦ Kompleksitas waktu pembuatan basis data acuan. Untuk setiap karakter, memerlukan 6 citra karakter sebagai acuan. Dari 6 citra ini, 3 citra dicari frekuensi kemunculan pola modelnya yang akan disimpan dalam file acuan, sedangkan 3 sisanya dipergunakan untuk mencari nilai ambang. Kompleksitas waktunya adalah : ¾ Tiga citra aksara pertama :
Ekstraksi ciri = 3 x 577500N = 1.732.500N kali perbandingan. Perhitungan matriks varians : Perkalian/pembagian
= (4p2 + p) kali.
Penjumlahan/pengurangan
= (6p + 3p2) kali
Perhitungan nilai eigen = 15p3 kali operasi perkalian . ¾ Tiga citra aksara sisanya :
Ekstraksi ciri = 3 x 577500N = 1.732.500N kali perbandingan. Menghitung ketidaksamaan : Perkalian/pembagian
= 3 x 4p = 12p kali.
Penjumlahan/pengurangan
= 3 x (4p + 1) = (12p + 3) kali
Sorting 3 nilai ketidaksamaan = 6 kali perbandingan. Total perbandingan = 1.732.500N + 1.732.500N + 6 = 3.465.006N kali. 99
Total operasi matematis: = (15p3 + 4p2 + 5p) + 12p
Perkalian/pembagian
= (15p3 + 4p2 + 17p) kali. Penjumlahan/pengurangan
= (12p + 6p2) + (12p + 3)
= (6p2 + 24p + 3) kali Jadi kompleksitas waktu maksimum pembuatan basis data acuan untuk satu aksara adalah: (15p3 + 4p2 + 17p) kali operasi perkalian atau pembagian, (6p2 + 24p + 3) kali operasi penjumlahan atau pengurangan, ditambah dengan 3.465.006N kali
perbandingan. Melihat demikian tingginya kompleksitas waktu yang diperlukan sistem pengenalan ini, maka diperlukan perangkat keras yang berupa komputer dengan kecepatan proses yang memadai agar pengoperasian sistem tidak terlalu lambat.
4.2.4
Analisis Kompleksitas Ruang Penyimpanan
Kompleksitas ruang penyimpanan yang diperlukan oleh suatu sistem sangat tergantung dari struktur data yang digunakan untuk mengembangkan sistem tersebut, terutama struktur yang nantinya akan berhubungan langsung dengan fasilitas media penyimpan. Masing-masing tipe data yang digunakan memerlukan ruang penyimpan yang berbeda pula. Tipe-tipe data yang digunakan dalam sistem pengenalan ini yang berhubungan dengan keperluan media penyimpan terlihat dalam Tabel 4.18 berikut ini: Tabel 4.18 Tipe data dan ruang penyimpan yang diperlukan No
Tipe
Ruang Penyimpan
1
Byte
1 byte
2
Integer
4 byte
3
Word
4 byte
4
Real
6 byte
5
String[35]
35 byte + 1 byte
100
Mengacu pada tabel di atas dan struktur data yang telah dirancang, maka keperluan ruang penyimpan masing-masing file pada sistem pengenalan ini dapat dihitung sebagai berikut: ¾ Pola model TModelPattern = record Nomor : byte; // 1 byte Model : byte; // 1 byte Pattern : array[0..4,0..4] of byte; // 5 x 5 x 1 byte end;
Pola model tandatangan Indonesia sebanyak 52 pola, maka keperluan ruang penyimpannya adalah : (1 + 1 + 25) x 52 = 1.404 byte. Pola model Aksara Bali sebanyak 23 pola, maka keperluan ruang penyimpannya adalah : (1 + 1 + 25) x 23 = 621 byte. ¾ Data sebuah karakter THuruf = record IdNumber : word; // 4 byte Name : string[35]; // 36 byte Freq :array[1.. DimVector,1..6] of word; // 52 x 6 x 4 = 1248 byte RefFileName : string[70]; //71 byte ADis : array[1..3] of real; // 3 x 6 = 18 byte Critical : real; end;
Guna menyederhanakan program, maka dalam sistem pengenalan ini dimensi vektor yang digunakan adalah dimensi vektor terbesar, yaitu sebanyak pola model yang dimiliki oleh Tandatangan Indonesia yaitu 42. Dapat disimpulkan bahwa banyaknya keperluan ruang penyimpan untuk data sebuah aksara adalah : 4 + 36 + 1248 + 71 + 18 + 6 = 1383 byte. Jika sistem ini dimanfaatkan secara nyata, maka ada beberapa komponen data aksara yang tidak diperlukan. Adapun struktur data yang dipakai jika sistem dimanfaatkan secara nyata dengan menggunakan pola model Aksara Bali adalah:
101
TPersonSign = record IdNumber : word; // 4 byte Name : string[35]; // 36 byte Freq :array[1..23 ,1..6] of word; // 23 x 6 x 4 = 1008 byte Critical : real; // 6 byte end;
Keperluan ruang penyimpannya adalah : (4 + 36 + 1008 + 6) = 552 byte. Kompleksitas ruang penyimpanan pada sistem pengenalan menggunakan metode masukan statis secara umum cukup besar, hal tersebut dipengaruhi oleh faktor disimpan atau tidaknya aksara sampel. Pada kondisi praktis file citra aksara acuan maupun uji tidak perlu disimpan, karena ciri-ciri yang diperlukan untuk proses pengenalan sudah diekstraksi pada saat pembuatan basis data acuan dan disimpan dalam sebuah file. Sistem pengenalan dalam penelitian ini menggunakan format file citra bitmap dua warna untuk penyimpanan citra aksara, masing-masing citra aksara berukuran 140 x 165 piksel memerlukan ruang penyimpan sebanyak 23.100 byte. Sehingga jika semua file citra aksara acuan maupun uji harus disimpan, maka akan memerlukan ruang penyimpan yang cukup banyak.
102
BAB V. SIMPULAN DAN SARAN Bab ini berisi simpulan yang diambil dengan mengacu pada pokok permasalahan dan hasil pengujian, serta beberapa saran guna pengembangan lebih lanjut terhadap Pengembangan Pola Khusus berbasis Metode Pola Busur Terlokalisasi serta program aplikasinya.
5.1
Simpulan
Simpulan yang dapat diambil terhadap hasil pengujian dan analisis terhadap Pengembangan Pola Khusus berbasis Metode Pola Busur Terlokalisasi yang telah dilakukan adalah sebagai berikut : 1.
Ekstraksi ciri karakter dilakukan dengan pola khusus yang dibentuk berdasarkan Metode Pola Busur Terlokalisasi. Pemilihan model dilakukan dari implementasi pola yang didapatkan pada basisdata citra Aksara Bali, berdasarkan akumulasi frekuensi kemunculan masing-masing pola model. Dilihat dari prosentase kesalahan serta waktu proses, metode ini terbukti cukup efektif dan menghasilkan unjuk kerja yang lebih baik untuk pengenalan Aksara Bali, dibandingkan dengan memakai pola model Tandatangan Indonesia.
2.
Unjuk kerja sistem diukur berdasarkan dua macam tipe kesalahan, yaitu : kesalahan penolakan (false rejection) dan kesalahan penerimaan (false acceptance). Sistem yang dikembangkan mempunyai prosentase kesalahan minimum pada semua kombinasi konstanta pengali nilai ambang Cd 2,0; 3,0; 4,0; 5,0 dan konstanta pemotongan nilai eigen q bernilai 3, dengan rata-rata
kesalahan sistem adalah 7,3 % sehingga tingkat keberhasilannya sebesar 92,7%. .
103
5.2
Saran
Guna pengembangan sistem lebih lanjut, maka ada beberapa hal yang perlu diperhatikan antara lain sebagai berikut. 1. Aplikasi ini dapat dikembangkan dengan mengkombinasikan dengan metode LVQ dan sebelum dilakukan ekstraksi ciri, citra acuan maupun uji dibagi ke dalam empat ruang untuk mendapatkan unjuk kerja yang lebih baik. 2. Sistem ini menggunakan pola busur 5x5 sehingga pada pengembangan lebih lanjut dapat dicoba digunakan pola busur ukuran 3x3 dengan harapan dapat melakukan ekstraksi citra karakter dengan lebih detail. 3. Pola
model
yang
didapatkan
pada
penelitian
ini
bisa
diteliti
penggunaannya pada pengenalan Tulisan Tangan Aksara Bali atau permasalahan sistem pengenalan obyek lainnya, tidak terbatas hanya pada karakter cetak saja.
104
DAFTAR PUSTAKA 1. Agung BW, Tjokorda; I Gede Rudy Hermanto; Retno Novi D ang. 2009. Pengenalan Huruf Bali dengan Menggunakan metode Modified Direction Feature (MDF) dan Learning Vector Quantization (LVQ). Konferensi Nasional Sistem dan Informatika 2009. Institut Teknologi Telkom, Bandung. yudiagusta.files.wordpress.com/.../007-012-knsi09-002-pengenalan-huruf-balimenggunakan-metode-modified-direction-feature-_mdf 2. Ahmad M. Sarhan, and Omar I. Al Helalat. 2007. Arabic Character Recognition using Artificial Neural Networks and Statistical Analysis. World Academy of Science, Engineering and Technology 27 2007. 3. Dong Xiao Ni. 2007. Application of Neural Networks to Character Recognition. Proceedings of Students/Faculty Research Day, CSIS, Pace University, May 4th, 2007. 4. Guo-hong LI, Peng-fei SHI. 2003. An approach to offline handwritten Chinese character recognition based on segment evaluation of adaptive duration. Journal of Zhejiang University SCIENCE ISSN 1009-3095. Institute of Image Processing and Pattern Recognition, Shanghai Jiao Tong University 5. Honggang Zhang, Jie Yang, Weihong Deng, Jun Guo. 2008. Handwritten Chinese Character Recognition Using Local Discriminant Projection with Prior Information. IEEE Computer Society. 6. Jagadeesh Kannan R. and Prabhakar R. 2008. Off-Line Cursive Handwritten Tamil Character Recognition. Wseas Transactions on Signal Processing. Issue 6, Volume 4, June 2008. 7. Kawtrakul A. and Waewsawangwong P. 2000. Multi-Feature Extraction for Printed Thai Character Recognition. The Fourth Symposium on Natural Language Processing 2000. 8. Mansoor Al-A'ali and Jamil Ahmad. 2007. Optical Character Recognition System for Arabic Text Using Cursive Multi-Directional Approach. Journal of Computer Science 3 (7): 549-555, 2007. 9. Oka Sudana, AA. K. 2006. Rancang Bangun Sistem Verifikasi Tandatangan dan Pengenalan Tulisan Tangan dengan Metode Pola Busur Terlokalisasi. Proceeding of the Research and Studies III. TPSDP – DIKTI 2006. 10. Oka Sudana, AA.K. 2007. Implementasi Pola Model Tandatangan Jepang dan Tandatangan Indonesia untuk Verifikasi Tandatangan Latin. Jurnal Pakar, Vol 7, No 4, Yogyakarta. 11. Phokharatkul P, Sankhuangaw K, Somkuarnpanit S, Phaiboon S, Kimpan C. 2005. Off-Line Hand Written Thai Character Recognition using Ant-Miner Algorithm. World Academy of Science, Engineering and Technology 8, 2005. 12. Plamondon. R. dan Lorette. G., 1989, “Automatic Signature Verification and Writer Identification – the State of the Art”, Pattern Recognition, Vol.22, No.2, p.107-131. 13. Rashad Al-Jawfi. 2009. Handwriting Arabic Character Recognition LeNet Using Neural Network. The International Arab Journal of Information Technology, Vol. 6, No. 3, July 2009, Department of Mathematics and Computer Science, Ibb University, Yemen.
105
14. Roongroj Nopsuwanchai, Dan Povey. 2003. Discriminative Training for HMMBased Offline Handwritten Character Recognition. University of Cambridge. 15. Schalkolff, Robert J., 1992, “Pattern Recognition : Statistical, Structural and Neural Approaches”, John Wiley & Sons Inc. 16. Shah, Prof S K. 2004. Design and Implementation of Optical Character Recognition System to Recognize Gujarati Script using Template Matching. IE(I) Journal−ET, Vol 86 , January 2006. 17. Shin-ichi Kikuchi, Takehiro Furuta, Takako Akakura. 2008. Periodical Examinees Identification in e-Test Systems Using the Localized Arc Pattern Method. Distance Learning and the Internet Conference 2008. p.213-220. Waseda University, Japan. 18. Suamba Dharmayasa, I Komang Gede. 2009. Pengenalan Karakter Bali Cetak Menggunakan Metode Moment dan Jaringan Syaraf Tiruan Learning Vector Quantization. Teknik Elektro udayana, Jimbaran. 19. Suastika I Made, Prof. Dr. S.U. 2010. Bahasa dan Aksara Sebagai Identitas Budaya. www.facebook.com/note.php?note_id=295184229610 20. Tian-Fu Gao, Cheng-Lin Liu. 2008. Highaccuracy handwritten Chinese character recognition using LDA-basedcompound distances. Available from: www.elsevier.com/locate/pr. 21. Tou T. Julius dan Gonzales Rafael C., 1974, “Pattern Recognition Principles”, Addison-Wesley Publishing Company. 22. Yoshimura, I., Shimizu, T. dan Yoshimura, M.. 1993. A Zip Code Recognition System using the Localized Arc Pattern Method. Proceedings of the 2nd International Conference on Document Analysis and Recognition. IEEE Computer Society. p183-186. 23. Yoshimura, M. dan Yoshimura, I., 1988, “Writer Identification Based on the Arc Pattern Transformation”, Proceedings of the 9th International Conference on Pattern Recognition, November 14-17, 1993, IEEE Computer Society, Washington, p.183-186. 24. Yoshimura, I. dan Yoshimura, M., 1990, “Arc Pattern Method for Writer Recognition as an Aid for Person Identification”, Nagoya University p.71-82. 25. Zaheer Ahmad, Jehanzeb Khan Orakzai, Inam Shamsher, Awais Adnan. 2007. Urdu Nastaleeq Optical Character Recognition. World Academy of Science, Engineering and Technology 32 2007.
106
Jadwal Pelaksanaan
No
Kegiatan
Bulan 1
2
3
4
5
Progress 6
7
8
9
1
Penyiapan Proposal
100%
2
Studi Kepustakaan
100%
3
Perancangan Sistem
100%
4
Pembuatan Prototipe
100%
5
Pengembangan dan Pemrograman
100%
6
Pengambilan Sampel Tulisan Bali
100%
7
Pengolahan Database
100%
8
Uji Coba dan Analisa
100%
9
Evaluasi dan Perbaikan
100%
10
Pembuatan Makalah
100%
107
Personalia Penelitian 1. Ketua Peneliti
a. Nama lengkap dan gelar
: Anak Agung Kompiang Oka Sudana, S.Kom, MT
b. Golongan, Pangkat dan NIP: III/d, Penata Tingkat I, 19750612.199903.1.002 c. Jabatan Fungsional
: Lektor Kepala
d. Jabatan Struktural
: -
e. Program Studi/Jurusan
: Teknologi Informasi / Teknik Elektro
f. Fakultas/Program Studi
: Teknik
f. Perguruan Tinggi
: Universitas Udayana
g. Bidang Keahlian
: Teknik Informatika
h. Waktu Untuk Penelitian ini : 15 Jam perminggu
Rekap Penggunaan Dana Penelitian
Uraian Kegiatan / Jenis Pekerjaan
Total Rencana Total Sudah Biaya (Rp) Terpakai (Rp)
Prosentase
Honorarium Biaya Survey /Pengambilan Data Biaya Konsumsi Rapat dan Survei Biaya Disain Sistem dan Pemrograman Biaya Pengolahan Database Alat dan Bahan Biaya Perjalanan
11.040.000 3.150.000 9.600.000
11.040.000 3.150.000 9.600.000
100% 100% 100%
5.320.000
5.320.000
100%
1.330.000 10.280.000
1.330.000 10.345.000
100% 100,63%
3.330.000
1.100.000
33%
Biaya Penulisan Laporan Biaya Seminar/Publikasi T O T A L
950.000 5.000.000 50.000.000
1.153.800 7.011.200
116,51% 140,22% 100%
108
50.000.000
BIODATA KETUA PENELITI I. IDENTITAS DIRI 1.1. 1.2. 1.3. 1.4. 1.5. 1.6.
Nama Lengkap (dengan gelar) Pangkat/Golongan Jabatan Fungsional NIP/NIK/No. identitas lainnya Tempat dan Tanggal Lahir Alamat Rumah
1.7. Nomor Telepon 1.8. Nomor HP 1.9. Alamat Kantor 1.10. Nomor Telepon/Fax 1.11. Alamat e-mail 1.12. Lulusan yg telah dihasilkan 1.13 Mata Kuliah yg diampu
II. RIWAYAT PENDIDIKAN 2.1. Program: 2.2. 2.3. 2.4. 2.5. 2.6.
Nama PT Bidang Ilmu Tahun Masuk Tahun Lulus Judul Skripsi/ Tesis/Disertasi
2.7. Nama Pembimbing/ Promotor
AA. Kompiang Oka Sudana,SKom, MT. (L) IIID/ Penata Tk.I Lektor Kepala 19750612.199903.1.002 Denpasar, 12 Juni 1975. Jl. Gunung Guntur Gg II/2 Tamansari, Br. Buana Agung, Padangsambian, Denpasar 80117 (0361) 8011414 08123616578 Jurusan Teknik Elektro, Universitas Udayana (0361)703315 [email protected] Konsep Pemrograman Komputer Metodologi Penelitian Analisis dan Desain Sistem Informasi Rekayasa Perangkat Lunak Aplikasi Sistem Informasi
S1
S2
ITS Surabaya Teknik Informatika 1993 1997 Rancang Bangun Perangkat Lunak Verifikasi Tandatangan dengan Metode Input Off-Line Ir. Esther Hanaya, M.Sc Ir. Aris Tjahyanto, M.Kom
UGM Sistem Komputer dan Informatika 1998 2001 Rancang Bangun Perangkat Lunak Verifikasi Citra Tandatangan dengan Metode Pola Busur Terlokalisasi Dr. Ir. Th. Sri Widodo, Dipl. Ing Ir. Rudy Hartanto, MT
S3
III. PENGALAMAN PENELITIAN (bukan skripsi, tesis, maupun disertasi) Pendanaan No. Tahun Judul Penelitian Sumber Jml (Juta Rp) 1
2005
2
2007
3
2010
4
2011
Rancang Bangun Sistem Verifikasi Tandatangan dan Pengenalan Tulisan Tangan dengan Metode Pola Busur Terlokalisasi SMS Based Technology for Data School Collecting in Bali Sistem Penelusuran Sejarah Pura Kawitan dan Kahyangan Jagat di Bali Berbasis WEB Implementasi Teknologi Open Source dan Multimedia untuk Rancang Bangun Sistem Informasi Pitra Yadnya
109
Reasearch Grant TPSDP
30 Juta
DIKTI
50 Juta
DIPA UNUD Tahun 2010
7,5 Juta
DIPA UNUD Tahun 2011
7,5 Juta
IV. PENGALAMAN PENGABDIAN KEPADA MASYARAKAT (bukan skripsi, tesis, maupun disertasi) No.
Tahun
1
2008
2
2008
3
2010
4
2011
5
2011
Judul Pengabdian Kepada Masyarakat Instruktur Pelatihan Penggunaan Open Source Software (POSS) untuk Guru dan Siswa SMA/SMK Kota Denpasar dan Kabupaten Badung, 5 Nov - 19 Des 2008 Kegiatan pengabdian pada masyarakat di Kecamatan Sidemen, Karangasem dalam rangka KIM FT 2008 Kegiatan pengabdian pada masyarakat di Desa Pejeng, Kecamatan Tampak Siring, Gianyar dalam rangka KIM FT 2010 Kegiatan PPM ”Bakti Keakraban Mahasiswa (BKM) 2011 di Kecamatan Tampaksiring, Gianyar, Tanggal 5-8 September 2011” Kegiatan PPM ”Bakti Ilmiah Teknik Ekstensi (BILTEKS) 2011, di Desa Sobangan, Mengwi, Badung, Tanggal 9-11 Sept 2011”
Pendanaan Sumber Jml (Juta Rp) POSS Fakultas Teknik UNUD Fakultas Teknik UNUD Fakultas Teknik UNUD Fakultas Teknik UNUD
V. PENGALAMAN PENULISAN ARTIKEL ILMIAH DALAM JURNAL No
Judul
1
Implementasi Pola Model Tandatangan Jepang dan Tandangan Indonesia untuk verifikasi Tandatangan Latin
2
Sistem Informasi Manajemen Inventori pada Perusahaan Layanan Jasaboga Pesawat Udara
3
Palmprint Recognition Based on PifsvCodes and Fractal Dimension
4 5 6
7 8 9 10
Sistem Verifikasi Sidik Jari dengan Metode Pencocokan Berbasis Bank Gabor Filter Sistem Verifikasi Citra Tandatangan dengan Metode Pola Busur Terlokalisasi Rancang Bangun Sistem Verifikasi Tandatangan dan Pengenalan Tulisan Tangan dengan Metode Pola Busur Terlokalisasi Rancang Bangun Sistem Informasi Akuntansi pada Perusahan Layanan Jasa Boga Pesawat Udara, Studi Kasus di PT. Jasapura Angkasa Boga Sistem Informasi Bebantenan ditinjau dari Jenisjenis Banten dan Perlengkapannya Sistem Informasi Bebantenan dalam kaitannya dengan upacara yadnya Tree Data Structure Implementation in E-
110
Publikasi Jurnal Pakar, Vol 7 No 4 Desember 2007, ISSN: 14114453, Akreditasi No. 23a/DIKTI/Kep/2004 Teknologi Elektro, Vol. 6, No. 1, Januari – Juni 2007, ISSN: 16932951 ICSIIT 2007 Proceeding International Conference on Soft Computing, Intelligent System and Information Technology; Informatics Dept Petra Christian Univ. ISBN: 978-979-756-250-2 Teknologi Elektro, Vol. 4, No. 1, Januari 2006, ISSN: 1693-2951 Teknologi Elektro, Vol. 4, No. 1, Januari 2006, ISSN: 1693-2951 Proceeding of the Research and Studies III, TPSDP – DIKTI 2006; ISBN 979-1188-00-9 Teknologi Elektro, Vol. 6, No. 3, Juli – Desember 2007, ISSN: 1693-2951 Teknologi Elektro, Vol. 6, No. 3, Juli 2007, ISSN: 1693-2951 Teknologi Elektro, Vol. 8, No. 1, Juli 2009, ISSN: 1693-2951 Proceding of The 1st International
Learning Bebantenan On-Line
11 12
Sistem Informasi Administrasi Kepegawaian Hotel Implementasi Struktur Tree pada Rancang Bangun Sistem Penelusuran Sejarah Pura Kawitan dan Kahyangan Jagat Berbasis Web
Conference on Sustainable Technology Development, 7-8 Oct 2010 Teknologi Elektro, Vol. 9, No. 2, Desember 2010, ISSN: 1693-2951 Jurnal Lontar Komputer Vol.2 No.1 - Juni 2011, ISSN: 2088-1541. PS. Teknologi Informasi UNUD
VI. PENGALAMAN PENULISAN BUKU No.
Tahun
Judul Buku
Jumlah Halaman
Penerbit
Kosong
VII. PENGALAMAN PEROLEHAN HKI No.
Tahun
Judul/Tema HKI
Jenis
Nomor Pendaftaran/ Sertifikat
Kosong
VIII. PENGALAMAN RUMUSAN KEBIJAKAN PUBLIK/REKAYASA SOSIAL LAINNYA No. 1
Tahun 2010
Judul/Tema/Jenis Rekayasa Sosial Lainnya yang telah diterapkan
Tempat Penerapan
Studi Kelayakan Penerapan Pajak Hotel dan Restoran (PHR) On-Line di Kabupaten Badung
DISPENDA Badung
Respon Masyarakat
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan dapat dipertanggung jawabkan secara hukum. Dan apabila dikemudian hari ternyata dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima resikonya. Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi persyaratan sebagai salah satu syarat pengajuan Penelitian Hibah Unggulan Universitas Udayana Tahun 2012. Bali, 25 Oktober 2012 Pengusul,
(A.A. Kompiang Oka Sudana, S.Kom,MT) NIP. 19750612.199903.1.002
111
BIODATA ANGGOTA PENELITI 1 Nama Tempat dan Tanggal Lahir NIP Agama Umur Jenis Kelamin Status Perkawinan Alamat Pekerjaan
: Gusti Agung Ayu Putri, ST, PgD, MT : Jayapura, 21 April 1973 : 19730421 200112 2 001 : Hindu : 37 tahun : Perempuan : Kawin : Jalan Buana Kubu no. 21, Denpasar – Bali : Tenaga Pengajar pada Teknik Elektro, Universitas Udayana
Riwayat Pendidikan: 1. S D Persit Jayapura, lulus tahun 1986 2. S M P N 7 Denpasar, lulus tahun 1989 3. S M A N 2 Denpasar, lulus tahun 1992 4. Bidang Studi Teknik Sistem Telekomunikasi, Jurusan Teknik Elektro, Fakultas Teknik, Universitas Udayana – Bali, lulus tahun 2000 (ST) Topik Tugas Akhir : Perbandingan Redaman Transmisi Kabel Tembaga Dibandingkan Kabel Serat Optik dengan Teknologi FastLink pada Saluran Primer Jaringan Lokal di STO Sanur. 5. Programme Of Study of Mobile Communication Systems, School of Electronic, Information Technology and Mathematics , University of Surrey – UK, lulus tahun 2001 (PgD) Topik projek akhir : Identification of Communication Channels using Pseudorandom Sequence. 6. Bidang Studi Sistem Komputer dan Informatika, Program Studi Teknik Elektro, Sekolah Pasca Sarjana, Univeritas Gadjah Mada – Yogyakarta, lulus tahun 2005 (MT) Topik thesis : Sistem Informasi Manajemen Persuratan dan Kearsipan Berbasis Teknologi Informasi di Universitas Udayana. Riwayat Pekerjaan:
1. Staf Pengajar Teknik Elektro Fakultas Teknik Universitas Udayana, tahun 2001 – sekarang Pengalaman Kerja dan Penelitian: No 1. 2. 3. 4.
Kegiatan Ruang Baca Jurusan Teknik Elektro, Fakultas Teknik, Universitas Udayana Program Hibah Kompetisi Teknologi Informasi dan Komunikasi K-2 di Universitas Udayana Perencanaan Pembangunan Sistem Keamanan Wilayah di Kabupaten Badung (Study Security Survaillance System) Pengembangan Teknologi Informasi dan Komunikasi Jurusan Teknik Elektro, Fakultas Teknik, Universitas Udayana
SK 27 Maret 2006 – sekarang SK Dekan FT Unud No:455/J14.1.31/KP/2006
Kepala Urusan
SK Rektor Unud No:259/J14/HK.01.23/2006
Supporting staff
Surat Tugas Lembaga Penelitian UNUD No:172B/J14.2/PL.06.06/2006
Asisten ahli
SK Dekan FT Unud No:758/J14.1.31/PP.00.04/2007
Anggota
112
Ket
5.
Laboratorium Multimedia Program Studi Teknologi Informasi, Fakultas Teknik, Universitas udayana
SK Rektor Unud No:3051/H14.1.31/KU.03.01/2010
Kepala Lab.
Publikasi: No 1
2 3 4
5
6
Judul Rancang Bangun Sistem Informasi Persuratan dan Kearsipan Universitas Udayana menggunakan Paradigma Berorientasi Objek Pemodelan Manajemen Antrian memanfaatkan Komunikasi Seluler terintegrasi LAN (Local Area Network) Pemodelan Sistem Informasi Bebantenan Dalam Kaitannya Dengan Upacara Yadnya Rancang Bangun Web Service Pemberitahuan dini Terintegrasi Voice over Internet Protocol dan Komunikasi Seluler Untuk Keamanan Lingkungan Perumahan Tree Data Structure Implementation in eLearning Bebantenan onLine
Sistem Informasi Antrian Praktek Dokter Bersama
Publikasi Teknologi Elektro, Vol. 4, No. 2, Juli - Desember 2005, ISSN: 1693-2951
Penulis Pertama
Teknologi Elektro, Vol. 7, No. 2, Juli - Desember 2008, ISSN: 1693-2951 Teknologi Elektro, Vol. 8, No. 1, Januari – Juni 2009, ISSN: 1693-2951 Majalah Ilmiah Teknologi Elektro Vol. 8 no. 2, juli – Desember 2009. ISSN : 1693 - 2951
Pertama
Proceedings of the 1st International Conference on Sustainable Technology Development, ICSTD – Bali. Udayana University Press,2010. ISBN : 978-602-8566-96-4 Jurnal Ilmiah Teknologi Undagi, vol. 1, no. 1, Oktober 2010 ISSN :2087-2941
Kedua
Kedua Pertama
Kedua
Denpasar, 25 Oktober 2012
Gusti Agung Ayu Putri, ST, PgD, MT
113
BIODATA ANGGOTA PENELITI 2 Nama TTL Jenis Kelamin Kewarganegaraan Agama Status Alamat No. Telpon Email TB/BB Gol. Darah Nomor KTP
: : : : : : :
Ni Kadek Ayu Wirdiani,ST, MT. Denpasar, 27 Maret 1981. Perempuan. WNI. Hindu. Kawin. Jl. Gunung Guntur Gg II/2 Tamansari, Br. Buana Agung, Padangsambian, Denpasar 80117. : 081-338273148 : [email protected] : 155 cm / 52 kg. :O : 5171046703810007
PENELITIAN
Perencanaan Kode Khusus Bahasa Indonesia dengan Format SMS untuk Mendukung E-Government di Indonesia. Pembentukan Pola Khusus untuk Ekstraksi Ciri Pada Sistem Pengenalan Aksara Bali Cetak, 2011. RIWAYAT PENDIDIKAN 1987-1993 1993-1996 1996-1999 1999-2004 2009-2011
SD No. 29 Pemecutan, Denpasar Barat. SMPN 2 Denpasar. SMAN 2 Denpasar. Jurusan Teknik Elektro di Universitas Udayana, Denpasar. S2 Teknik Elektro (Manajemen Sistem Informasi & Komputer) di Uiversitas Udayana, Denpasar.
PENGALAMAN KERJA 14 April 2003 – 1 Juli 2006 Kerja Praktek di Balai Meteorologi dan Geofisika Wilayah III. Juli – Agustus 2002 Kerja Praktek di Dinas Jaringan non kabel, Kantor Daerah Telekomunikasi (Kandatel) Denpasar, PT.Telkom,Tbk . Juli – Agustus 2003 Magang di Dinas Operasi dan Pemeliharaan Network, Kantor Daerah Telekomunikasi (Kandatel) Denpasar, PT.Telkom,Tbk. Januari – Maret 2004 Asisten praktikum Sistem Komunikasi di Teknik Elektro, Universitas Udayana. September 2004 – Juni 2006 Dosen di Lembaga Pendidikan Bali Asia Jurusan Teknik Informatika.
114
Juni 2005 – Februari 2012 MSC Engineer di PT. Samsung Telecommunication Indonesia (STIN). Februari 2012 – Sekarang Dosen di Sekolah Tinggi Manajemen Informatika & Komputer (STIKI) Jurusan Teknik Informatika. September 2012 – Sekarang Dosen di Jurusan Teknologi Informasi, Fakultas Teknik, Universitas Udayana. Denpasar, 25 Oktober 2012.
(Ni Kadek Ayu Wirdiani)
115
MAHASISWA 1 1.1. 1.2. 1.3.
Nama Lengkap (dengan gelar) Tempat dan Tanggal Lahir Alamat Rumah
1.4. 1.5. 1.6. 1.7.
Nomor Telepon Nomor HP Pekerjaan Alamat Kantor
1.8. 1.9. 1.10. 1.11.
Nomor Telepon/Fax Alamat e-mail Pendidikan S1 Judul Skripsi
1.12. Pendidikan S2
Ni Kadek Ayu Wirdiani,ST. (P) Denpasar, 27 Maret 1981. Jl. Gunung Guntur Gg II/2 Tamansari, Br. Buana Agung, Padangsambian, Denpasar 80117 (0361) 411895 081338273148 Enggineer PT STIN Jalan Merdeka, Ruko Merdeka Blok EF, Renon, Denpasar Bali (0361)236099 [email protected] Jurusan Teknik Elektro UNUD (1999 – 2004) Perencanaan Kode Khusus dalam Format SMS untuk mendukung E-Government. Mahasiswa Program Studi Magister Teknik Elektro (MTI) Program Pasca Sarjana UNUD (2009 – 2011)
MAHASISWA 2 1.1. 1.2. 1.3.
Nama Lengkap (dengan gelar) Tempat dan Tanggal Lahir Alamat Rumah
1.4. 1.5. 1.6. 1.7. 1.8. 1.9. 1.10. 1.11.
Nomor Telepon Nomor HP Pekerjaan Alamat Kantor Nomor Telepon/Fax Alamat e-mail Pendidikan S1 Judul Skripsi
1.12. Pendidikan S2
Ni Kadek Dwi Rusjayanthi,ST. (P) Denpasar, 9 Mei 1985. Jalan Muding Raya Gang Anggur No.3. Kerobokan Kuta (0361) 438201 085739299995 (0361)766001 [email protected] Jurusan Teknik Elektro UNUD (2003 – 2008) Rancang Bangun Sistem Informasi Manajemen Administrasi Perusahaan Percetakan Mahasiswa Program Studi Magister Teknik Elektro (MTI) Program Pasca Sarjana UNUD (2009 – Sekarang)
116
MAHASISWA 3 1.1. 1.2. 1.3. 1.4. 1.5. 1.6.
Nama Lengkap (dengan gelar) Tempat dan Tanggal Lahir Alamat Rumah Nomor Telepon Nomor HP Pekerjaan
1.7. 1.8. 1.9.
Alamat Kantor Nomor Telepon/Fax Alamat e-mail
I Gusti Agung Socrates Adi Guna. (L) Denpasar, 7 September 1990. Jalan Flamboyan E 83 Renon Denpasar 085233466624 Mahasiswa Program Studi Teknologi Informasi Universitas Udayana 2008 - Sekarang Gedung DJ, Kampus Bukit Jimbaran. (0361)703315 [email protected]
MAHASISWA 4 1.1. 1.2. 1.3. 1.4. 1.5. 1.6.
Nama Lengkap (dengan gelar) Tempat dan Tanggal Lahir Alamat Rumah Nomor Telepon Nomor HP Pekerjaan
1.7. 1.8. 1.9.
Alamat Kantor Nomor Telepon/Fax Alamat e-mail
Ida Ayu Purnama Dewi. (P) Denpasar, 1 Maret 1991. Jalan Gunung Abang II No.20 Denpasar 0361-480098 085646935551 Mahasiswa Program Studi Teknologi Informasi Universitas Udayana 2008 - Sekarang Gedung DJ, Kampus Bukit Jimbaran. (0361)703315 [email protected]
117
L A M P IR A N 1
Catatan Penggunaan Dana
118
L A M P IR A N 2
Catatan Kemajuan Penelitian
119
L A M P IR A N 3
Surat Kontrak Penelitian
120
LAMPIRAN 2. Catatan Kemajuan Penelitian No.
Periode/ Tanggal
Catatan Kemajuan (berisi data yg diperoleh, keterangan data, sketsa, gambar, analisis singkat dsb)
Kegiatan
1
Januari – April 2012
Penyiapan dan Proposal Penelitian. Pembuatan Proposal Penelitian termasuk studi kepustakaan awal
2
Sabtu, 5 Mei Rapat Awal dengan 2012 Tim Peneliti.
3
Minggu, 6 Mei 2012
4
Senin, 7 Mei Studi literatur dan Melanjutkan Perbaikan Gambaran Umum 2012 memulai melakukan Sistem Pengenalan.
Studi literatur dan disain sistem
Overview dan penjelasan Proposal Penelitian. Perbaikan Gambaran Umum Sistem Pengenalan.
disain sistem. 5
Rabu, 9 Mei Studi literatur dan 2012 disain sistem
Melanjutkan Gambaran Umum Sistem dan pembandingan dengan TA Komang Darmayasa.
6
Sabtu, 12 Mei 2012
Studi literatur dan desain sistem
Melanjutkan Gambaran umum system dengan membandingkan pola yang diperoleh dari system verifikasi tanda tangan
7
Selasa, 15 Mei 2012
Studi literatur dan desain sistem
Melanjutkan perbaikan Gambaran umum system dengan membandingkan pola yang diperoleh dari system verifikasi tanda tangan
8
Rabu, 16 Mei 2012
Studi literatur dan desain sistem
Melanjutkan perbaikan Gambaran umum system dengan membandingkan pola yang diperoleh dari system pengenalan tulisan tangan
9
Sabtu, 19 Mei 2012
Studi literatur dan desain sistem
Melanjutkan perbaikan Gambaran umum system dengan membandingkan pola khusus yang diperoleh dari system pengenalan tulisan tangan
10 Selasa, 22
Studi literatur dan desain sistem
Mempelajari metode pembandingan yang akan digunakan untuk perancangan sistem
11 Jumat, 25
Studi literatur dan desain sistem
Mempelajari metode pembandingan yang akan digunakan untuk perancangan system
12 Senin, 28
Studi literatur dan desain sistem
Memperbaiki Gambaran umum system dengan memasukkan metode pembandingan yang digunakan
Mei 2012 Mei 2012 Mei 2012
121
No.
Periode/ Tanggal
Catatan Kemajuan (berisi data yg diperoleh, keterangan data, sketsa, gambar, analisis singkat dsb)
Kegiatan
13 Selasa, 29
Studi literatur dan desain sistem
14 Jumat, 1
Perancangan dan Pembuatan algoritma program (flowchart) Pembuatan prototipe pembentukan pola busur terlokalisasi
15 Minggu, 3
Perancangan dan Pembuatan algoritma program (flowchart) Pembuatan prototipe
16 Selasa, 5
Perancangan dan Pembuatan algoritma program (flowchart) Pembuatan prototipe
17 Kamis, 7
Perancangan dan Pembuatan algoritma program (flowchart) Pembuatan prototipe
Mei 2012
Juni 2012 Juni 2012 Juni 2012 Juni 2012
Melanjutkan memperbaiki Gambaran umum system dengan memasukkan metode pembandingan yang digunakan
18 Minggu, 10 Perancangan dan Pembuatan algoritma program (flowchart) Juni 2012 Pembuatan prototipe 19 Selasa, 12
Persiapan sampel Aksara Bali
Membeli buku-buku sampel aksara Bali
20 Kamis, 14
Persiapan sampel Aksara Bali
Membeli peralatan pendukung survey
21 Sabtu, 16
Persiapan sampel Aksara Bali
Nedunang lontar aksara bali Kanda Pat Sari
22 Senin, 18
Perancangan dan Pembuatan program pembentukan pola model Pembuatan prototipe dengan metode pola busur terlokalisasi dengan menggunakan program delphi
23 Rabu, 20
Perancangan dan Pembuatan program pembentukan pola model Pembuatan prototipe dengan metode pola busur terlokalisasi dengan menggunakan program delphi
24 Jumat, 22
Persiapan sampel Aksara Bali
Membeli buku-buku sampel aksara Bali
25 Sabtu, 23
Pengembangan dan pemrograman
Pembuatan program pembentukan pola model dengan metode pola busur terlokalisasi dengan menggunakan program delphi
26 Senin, 25
Pengembangan dan pemrograman
Pembuatan program pembentukan pola model dengan metode pola busur terlokalisasi dengan menggunakan program delphi
27 Rabu, 27
Pengembangan dan pemrograman
Pembuatan program pembentukan pola model dengan metode pola busur terlokalisasi dengan menggunakan program delphi
28 Kamis, 28 Juni 2012
Pengembangan dan pemrograman
Pembuatan program pembentukan pola model dengan metode pola busur terlokalisasi dengan menggunakan program delphi
29 Sabtu, 30
Pengembangan dan
Pembuatan program pembentukan pola model
Juni 2012 Juni 2012 Juni 2012 Juni 2012
Juni 2012
Juni 2012 Juni 2012
Juni 2012
Juni 2012
122
No.
Periode/ Tanggal Juni 2012
30 Minggu, 1 Juli 2012
Catatan Kemajuan (berisi data yg diperoleh, keterangan data, sketsa, gambar, analisis singkat dsb)
Kegiatan
pemrograman
dengan metode pola busur terlokalisasi dengan menggunakan program delphi
Pengambilan Sampel Tulisan Bali
Survey pencarian sampel
31 Senin, 2 Juli Pengembangan dan 2012 pemrograman
Pembuatan program pengenalan Aksara Bali dengan menggunakan program Delphi
32 Rabu, 4 Juli Pengembangan dan 2012 pemrograman
Pembuatan program pengenalan Aksara Bali dengan menggunakan program Delphi
33 Kamis, 5
Tulisan/Makalah
Juli 2012
Pembuatan Tulisan di Proceding
34 Sabtu, 7 Juli Pengambilan Sampel
Survey pencarian sampel
35 Minggu, 8
Pengambilan Sampel Tulisan Bali
Survey pencarian sampel
36 Selasa, 10
Pengembangan dan pemrograman
Pembuatan program pengenalan Aksara Bali dengan menggunakan program Delphi
37 Kamis, 12
Pembuatan Tulisan di Proceding
Tulisan/Makalah
38 Jumat, 13
Pengembangan dan pemrograman
Pembuatan program pengenalan Aksara Bali dengan menggunakan program Delphi
39 Sabtu, 14
Pengambilan Sampel Tulisan Bali
Survey pencarian sample
40 Minggu, 15 Pengambilan Sampel
Survey pencarian sampel
41 Selasa, 17
Pengembangan dan pemrograman
Pembuatan program pengenalan Aksara Bali dengan menggunakan program Delphi
42 Kamis, 19
Pengembangan dan pemrograman
Pembuatan program pengenalan Aksara Bali dengan menggunakan program Delphi
43 Sabtu, 21
Pengambilan Sampel Tulisan Bali
Survey pencarian sampel
44 Senin, 23
Pengembangan dan pemrograman
Pembuatan program pengenalan Aksara Bali dengan menggunakan program Delphi
45 Rabu, 25
Pengembangan dan pemrograman
Pembuatan program pengenalan Aksara Bali dengan menggunakan program Delphi
46 Kamis, 26
Pengembangan dan pemrograman
Pembuatan program pengenalan Aksara Bali dengan menggunakan program Delphi
47 Sabtu, 28
Pengambilan Sampel Tulisan Bali
Survey pencarian sampel
2012
Juli 2012 Juli 2012 Juli 2012 Juli 2012 Juli 2012 Juli 2012 Juli 2012 Juli 2012 Juli 2012 Juli 2012 Juli 2012 Juli 2012 Juli 2012
Tulisan Bali
Tulisan Bali
48 Minggu, 29 Pengolahan Juli 2012 Database
Pengolahan Sampel Aksara Bali
123
No.
Periode/ Tanggal
Catatan Kemajuan (berisi data yg diperoleh, keterangan data, sketsa, gambar, analisis singkat dsb)
Kegiatan
49 Senin, 30
Pengolahan Database
Pengolahan Sampel Aksara Bali
50 Rabu, 1
Pengolahan Database
Pengolahan Sampel Aksara Bali
51 Jumat, 3
Pengolahan Database
Pengolahan Sampel Aksara Bali
52 Minggu, 5
Pengolahan Database
Pengolahan Sampel Aksara Bali
53 Selasa, 7
Uji coba dan Analisa Program
Uji Coba Program pembentukan pola dengan menggunakan sampel Aksara Bali yang telah diolah
54 Kamis, 9
Pengembangan dan pemrograman
Perbaikan Program pembentukan pola Aksara bali
55 Sabtu, 11
Pengembangan dan pemrograman
Perbaikan Program pembentukan pola Aksara bali
56 Senin, 13
Pengolahan Database
Pengolahan Sampel Aksara Bali
57 Rabu, 15
Pengolahan Database
Pengolahan Sampel Aksara Bali
58 Sabtu, 18
Uji coba dan Analisa Program
Uji Coba Program pembentukan pola dengan menggunakan sample yang telah diolah
59 Senin, 20
Uji coba dan Analisa Program
Uji Coba Program pembentukan pola dengan menggunakan sample yang telah diolah
60 Kamis, 23
Uji coba dan Analisa Program
Uji Coba Program pembentukan pola dengan menggunakan sample yang telah diolah
61 Sabtu, 25
Pengolahan Database
Pengolahan Sampel Aksara Bali
62 Selasa, 28
Pengolahan Database
Pengolahan Sampel Aksara Bali
63 Kamis, 30
Pengolahan Database
Pengolahan Sampel Aksara Bali
Juli 2012 Agustus 2012 Agustus 2012 Agustus 2012 Agustus 2012
Agustus 2012 Agustus 2012 Agustus 2012 Agustus 2012 Agustus 2012 Agustus 2012 Agustus 2012 Agustus 2012
Agustus 2012 Agustus 2012
124
No.
Periode/ Tanggal
Catatan Kemajuan (berisi data yg diperoleh, keterangan data, sketsa, gambar, analisis singkat dsb)
Kegiatan
64 Senin, 3
Pengolahan Database
Pengolahan Sampel Aksara Bali
65 Rabu, 5
Pengolahan Database
Pengolahan Sampel Aksara Bali
66 Jumat, 7
Pengolahan Database
Pengolahan Sampel Aksara Bali
67 Senin, 10
Pembuatan Laporan Progress
Laporan Progress
68 Rabu, 12
Pembuatan Laporan Sementara
Laporan Progress
69 Kamis, 13
Pembuatan Laporan Sementara
Laporan Progress
70 Sabtu, 15
Pembuatan Laporan Sementara
Laporan Progress
71 Senin, 17
Pengumpulan Laporan Sementara
Laporan Progress
72 18 Sept.
Pengujian Sistem, melanjutkan penulisan laporan akhir, mempersiapkan MONEV
Hasil pengujian, laporan akhir dan berkas monev
73 Selasa, 9
Acara Monev Internal dari LPPM UNUD
OK
74 15 – 17
Mempersiapkan slide presentasi seminar nasional dan internasional
Slide presentasi seminar nasional
75 19-20
Presentasi Call for Paper Seminar Nasional
Seminar Nasional Informatika (SNIf 2012) di STMIK Potensi Utama, Medan, Sumatera Utara
76 22- 26
Finalisasi Laporan Laporan Akhir Akhir dan Penjilidan
77 31 Oktober
Presentasi Call for Paper di International Conference
Sept. 2012 Sept. 2012 Sept. 2012 Sept. 2012 Sept. 2012 Sept. 2012 Sept. 2012 Sept. 2012 2012 s/d 8 Oktober 2012
Oktober 2012 Oktober 2012
Oktober 2012 Oktober 2012 2012
2nd International Conference for Sustainability and Technology Development, Fakultas Teknik, Universitas Udayana, BALI P
125
P