PENGENALAN CITRA DOKUMEN SASTRA JAWA KONSEP DAN IMPLEMENTASINYA

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

PENGENALAN CITRA DOKUMEN SASTRA JAWA KONSEP DAN IMPLEMENTASINYA

Tesis Untuk memenuhi sebagian persyaratan mencapai derajat Sarjana S-2

Program Studi Ilmu Komputer Kelompok Bidang Ilmu Matematika dan Pengetahuan Alam

Diajukan oleh: Anastasia Rita Widiarti 21189/I-4/1669/04

Kepada

PROGRAM PASCASARJANA UNIVERSITAS GADJAH MADA 2006


PERNYATAAN

Dengan ini saya menyatakan bahwa dalam tesis ini tidak terdapat karya yang pernah diajukan untuk memperoleh gelar kesarjanaan di suatu Perguruan Tinggi, dan sepanjang pengetahuan saya juga tidak terdapat karya atau pendapat yang pernah ditulis atau diterbitkan oleh orang lain, kecuali yang secara tertulis diacu dalam makalah ini dan disebutkan dalam daftar pustaka.

Yogyakarta, 15 Desember 2005

Anastasia Rita Widiarti

iii


LEMBAR PERSEMBAHAN

Tesis ini dipersembahkan kepada: Universitas Sanata Dharma Yogyakarta Universitas Gadjah Mada Yogyakarta Ibu (almarhum). Semoga Tuhan membalas semua kebaikan Ibu dengan memberi kedamaian abadi di surga Keluarga besarku, utamanya HiKaNaYa

iv


KATA PENGANTAR

Syukur yang teramat dalam penulis sampaikan kepada Tuhan Yang Maha Pengasih, sehingga pembuatan tesis yang berjudul: “Pengenalan Citra Dokumen Sastra Jawa: Konsep dan Implementasinya” ini bisa selesai. Hanya atas perkenanNya maka tesis ini dapat terwujud. Tesis ini disusun untuk memenuhi sebagian persyaratan mencapai derajat Sarjana S-2 pada Program Studi Ilmu Komputer, Jurusan Ilmu-Ilmu Matematika dan Pengetahuan Alam, Program Pascasarjana, Universitas Gadjah Mada. Pada kesempatan ini penulis juga ingin menyampaikan rasa terima kasih kepada semua pihak yang telah memberikan bantuan materi, pikiran, semangat dan doa, yaitu: 1.

Bapak Drs. Retantyo Wardoyo, M.Sc., Ph.D., selaku pengelola program S-2 Ilmu Komputer, terima kasih atas bimbingan yang telah diberikan selama menempuh kuliah.

2.

Bapak Drs. Agus Harjoko, M.Sc., Ph.D., selaku dosen pembimbing, terima kasih atas kesabarannya dalam membimbing penyelesaian tesis penulis.

3.

Seluruh jajaran Yayasan Sanata Dharma dan Rektorat Universitas Sanata Dharma, terimakasih atas kesempatan yang sangat berharga untuk mengikuti studi lanjut ini.

4.

Seluruh staff FMIPA USD, baik teman-teman dosen maupun karyawan, yang telah memberi semangat dan kesempatan untuk studi kepada penulis.

5.

Mas Widodo (perpustakaan Artati USD), atas bantuannya menterjemahkan tulisan Jawa, serta semua teman karyawan di perpustakaan USD,

v


6.

Mas Sugeng, Mbak Rini, dan Mas Endro, atas pelayanan yang telah penulis terima selama menempuh kuliah,

7.

Seluruh keluarga besar penulis yang senantiasa mendorong penulis tanpa mengenal putus asa, Mas Antok, semua bulik dan Om, Simbah dan Eyang, serta Tika, Dena dan Alya.

8.

Semua teman seperjuangan di S2 Ilkom UGM serta semua teman yang tidak dapat penulis sebut satu persatu yang selalu membawa kasih dan sukacita. Semoga kebaikan semua pihak menjadi berkat tidak hanya bagi penulis pribadi,

namun juga bagi semua yang telah menyalurkan berkat tersebut untuk penulis. Dan semoga tesis ini berguna juga bagi perkembangan ilmu komputer, khususnya bidang pengolahan citra dan budaya jawa. Penulis senantiasa menyadari bahwa penulisan tesis ini masih belum sempurna, untuk itu segala saran dan kritik yang sifatnya membangun sangat penulis harapkan.

Yogyakarta, 16 Desember 2005

Penulis

vi


DAFTAR ISI

KATA PENGANTAR ……………………………………………………...

v

DAFTAR ISI ………………………………………………………………..

vii

DAFTAR TABEL …………………………………………………………..

x

DAFTAR GAMBAR ……………………………………………………….

x

DAFTAR LAMPIRAN ……………………………………………………..

xii

INTISARI …………………………………………………………………...

xiii

ABSTRACT ………………………………………………………………...

xiv

BAB 1

BAB 2

PENDAHULUAN ………………………………………………

1

1.1 Latar Belakang Masalah ……………………………………

1

1.2 Perumusan Masalah ……………………………………….

2

1.3 Batasan Masalah …………………………………………...

2

1.4 Keaslian Penelitian …………………………………………

3

1.5 Tujuan Penelitian…………………………………………...

3

1.6 Faedah Penelitian …………………………………………..

3

1.7 Metodologi Penelitian ……………………………………...

4

1.8 Tinjauan Pustaka …………………………………………...

6

1.9 Sistematika Penulisan ……………………………………...

7

LANDASAN TEORI ……………………………………………

8

2.1 Pengenalan Pola ……………………………………………

9

2.2 Analisis Citra Dokumen ………..…………………………..

9

2.2.1

Data Capture ………………………………………..

11

2.2.2

Pengolahan Tingkat Piksel ………………………….

12

2.2.3

Analisis Tingkat Fitur ………………………………

13

2.2.4

Analisis Teks ………………..……………………..

13

2.3 Normalisasi Terhadap Orientasi ……………………………

14

2.4 Binarisasi …………………………………………………..

15

2.4.1

Metode Otsu ………………………………………..

17

2.5 Pengurangan Noise ………………………………………..

18

vii


2.5.1

Titik-Titik Tetangga ………………………………...

20

2.6 Perangkaan …………………………………………………

21

2.6.1

BAB 3

Algoritma Hilditch …………………………….……

21

2.7 Segmentasi …………………………………………………

24

2.7.1

Histogram Citra …………………………………….

25

2.7.2

Profil Proyeksi ………………………………………

25

2.8 Pengenalan Karakter ……………………………………….

26

2.8.1

Ekstraksi Ciri ……………………………………….

27

2.8.2

Langkah Klasifikasi ………………………………..

28

PERANCANGAN SISTEM ……………………………………

31

3.1 Spesifikasi Sistem ……………………………………….…

31

3.1.1. Spesifikasi Sistem Pembuat Basis Data …………….

32

3.1.2. Spesifikasi Sistem Pengenalan Citra Dokumen ……..

32

3.1.3 Proses Pengenalan Citra Karakter Dalam Citra

33

Dokumen ……………………. 3.2 Desain Sistem ……………………………………………...

33

3.2.1 Desain Struktur Data ………………………………...

34

3.2.1 Diagram Aliran Data ………………………………...

35

3.2.1.1 Diagram Aliran Data Sistem Pembuat Basis

35

Data (SPBD) ……………………………….. 3.2.1.2 Diagram Aliran Data Sistem Pengenalan

38

Citra Dokumen (SPCD) …………………….

BAB 4

3.2.2

Struktur Program …………………………………..

45

3.2.3

Desain Antar Muka ………………………………..

47

IMPLEMENTASI SISTEM…………………. …………………

49

4.1 Antar Muka Pemakai Sistem ……………………………..

49

4.1.1 Antar Muka Pemakai Sistem Pembuat Database ….

49

4.1.2 Antar Muka Pemakai Sistem Pengenal Citra

51

Dokumen ………………………………………….. 4.2 Implementasi ……………………………………………..

53

4.2.1 Modul-Modul Utama Sistem Pembuat Basis Data ...

53

viii


4.2.2 Modul-modul Utama Sistem Pengenalan Citra

57

Dokumen …………………………………………… BAB 5

HASIL DAN PEMBAHASAN …………………………………

72

5.1 Data Masukan ……………………………………………...

72

5.2 Eksekusi Modul-Modul …………………………………….

72

5.3 Analisis Output Pengenalan Karakter ……………………...

83

KESIMPULAN DAN SARAN …………………………………

92

6.1 Kesimpulan ………………………………………………...

92

6.2 Saran ………………………………………………………..

93

DAFTAR PUSTAKA ………………………………………………………

94

Lampiran 1. Antar Muka Pemakai Sistem Pengenal Citra Dokumen ……...

96

Lampiran 2. Implementasi Prosedur Dalam Desain Sistem ………..……..

98

Lampiran 3. Data Dokumen Panji Sekar …………………………..……...

122

BAB 6

ix


DAFTAR TABEL

Tabel 5.1. Karakteristik File Masukan ……………………………………..

72

Tabel 5.2. Hasil Proses Pengenalan Karakter Dokumen Menak Sorangan I

78

Halaman 3 ..................................................................................….... Tabel 5.3. Contoh Sebagian karakter dalam database karakter Jawa ……....

79

Tabel 5.4. Hasil Proses Pembentukan Kata .................................................

82

Tabel 5.5. Tabel Karakter Dikenali Dokumen Menak Sorangan I

85

Halaman 3 ......................................................................................... Tabel 5.6. Tabel Karakter Dikenali Dokumen Menak Sorangan I

86

Halaman 4 ......................................................................................... Tabel 5.7. Analisis Output Pengenalan Citra Dokumen Menak Sorangan I

88

Hal. 3.................................................................................................. Tabel 5.8. Analisis Output Pengenalan Citra Dokumen Menak Sorangan I

89

Hal. 4.................................................................................................. Tabel 5.9. Rangkuman Hasil Analisis Output Program ..............................

91

DAFTAR GAMBAR Gambar 1.1 Bagan Proses Analisis Citra Dokumen “Menak Sorangan” ..

4

Gambar 2.1 Hirarki Pemrosesan Dokumen. ...............................................

10

Gambar 2.2 Langkah-langkah Proses Analisis Dokumen ..........................

11

Gambar 2.3. Perputaran citra dengan sudut θ .............................................

14

x


Gambar 2.4. Ilustrasi dari karakter na dengan salt-and-pepper noise ........

19

Gambar 2.5. Ilustrasi piksel yang mempunyai 8 titik tetangga ..................

20

Gambar 2.6. Contoh citra karakter pra sebelum dan sesudah dikenai thin-

21

ning ......................................................................................... Gambar 2.7. Bagian dari sebuah citra .........................................................

22

Gambar 2.8. Contoh piksel dengan B(PI)<2 dan B(PI)>6 .........................

23

Gambar 2.9. Contoh piksel dengan A(PI) ≠ 1 ............................................

23

Gambar 2.10. Contoh piksel dengan P2=P4=P8=1 atau 0 dan A(P2) = 1

24

atau ≠ 1 ................................................................................. Gambar 2.11. Contoh piksel dengan P2 = P4 = P8 ≠ 0 atau 0 dan A(P4) = 1

24

atau ≠ 1 ................................................................................. Gambar 2.12. Profil proyeksi horisontal dan vertikal .................................

26

Gambar 2.13. Ilustrasi perhitungan ciri karakter jawa: Tarung ..................

28

Gambar 3.1 Gambaran Umum Tujuan Sistem ............................................

31

Gambar 3.2. Sistem Pengenalan Citra Dokumen ........................................

34

Gambar 3.3 DAD Level 0 Sistem Pembuat Basis Data ..............................

36

Gambar 3.4. DAD Level 1 Sistem Pembuat Basis Data .............................

36

Gambar 3.5. DAD Level 2 Proses Olah Data ............................................

37

Gambar 3.6. DAD Level 0 Sistem Pengenalan Citra Dokumen .................

38

Gambar 3.7. DAD Level 1 Sistem Pengenalan Citra Dokumen .................

39

Gambar 3.8. DAD Level 2 Proses Binarisasi .............................................

41

Gambar 3.9. DAD Level 2 Proses Normalisasi Orientasi ..........................

42

Gambar 3.10. DAD Level 2 Proses Filling .................................................

42

xi


Gambar 3.11. DAD Level 2 Proses Segmentasi ........................................

43

Gambar 3.12. DAD Level 2 Proses Pengenalan Karakter ..........................

44

Gambar 3.13. Struktur Program Sistem Pembuat Basis Data .....................

45

Gambar 3.14. Struktur Program Sistem Pengenalan Citra Dokumen .........

47

Gambar 3.15. Disain Layar Sistem Pembuat Basis Data ...........................

48

Gambar 3.16. Disain Layar Sistem Pengenalan Citra Dokumen ...............

48

Gambar 4.1. Tampilan Antar Muka Pemakai Sistem Pembuat Basis Data

50

Gambar 4.2. Tampilan Antar Muka Pemakai Sistem Pengenal Citra

52

Dokumen ............................................................................... Gambar 5.1. Contoh Citra Dokumen Menak Sorangan halaman 3

73

(data ke 1) ............................................................................ Gambar 5.2. Contoh Tampilan Citra Hasil Proses Binarisasi .....................

74

Gambar 5.3. Contoh Tampilan Citra Hasil Normalisasi Orientasi .............

75

Gambar 5.4. Contoh Tampilan Hasil Proses Thinning ...............................

76

Gambar 5.5. Cuplikan histogram hasil proses profil proyeksi vertikal ......

76

Gambar 5.6. Cuplikan histogram hasil proses profil proyeksi horisontal ...

77

Gambar 5.7. Contoh citra karakter hasil akhir proses segmentasi ..............

77

Gambar 5.8. Isi Citra dokumen Menak Sorangan I Halaman 4 ..................

84

DAFTAR LAMPIRAN Lampiran 1. Antar Muka Pemakai Sistem Pengenal Citra Dokumen ..............

96

Lampiran 2. Implementasi Prosedur Dalam Desain Sistem ............................

98

Lampiran 3. Data Dokumen Panji Sekar ..........................................................

122

xii


PENGENALAN CITRA DOKUMEN SASTRA JAWA: KONSEP DAN IMPLEMENTASINYA Anastasia Rita Widiarti

INTISARI Di Yogyakarta masih banyak dapat ditemukan naskah-naskah kuno yang merupakan warisan budaya yang tak ternilai harganya. Maka Apabila naskah-naskah tersebut dapat dikonversikan ke dalam format digital, akan banyak manfaat yang bisa diraih. Penelitian ini mencoba untuk membuat sebuah prototipe sistem pengenalan citra dokumen sastra Jawa. Data masukan untuk sistem diperoleh dari hasil pembacaan dokumen sastra Jawa dengan alat optis, yang kemudian disimpan sebagai file gambar dengan format *.jpg. Selanjutnya dengan mempergunakan berbagai metode untuk pengolahan citra, diperoleh citra karakter Jawa pembentuk citra dokumen masukan. Dengan mempergunakan histogram untuk piksel yang berwarna hitam diperoleh ciri untuk setiap karakter. Ciri ini kemudian disimpan dalam basis data karakter Jawa, untuk kemudian ciri ini dipakai dalam pencocokan ciri apabila terdapat masukan karakter Jawa. Dengan mempergunakan jarak Euclidean akan diperoleh nama-nama Latin setiap karakter Jawa pembentuk citra dokumen. Dari hasil penelitian menunjukkan bahwa untuk mengenal citra dokumen sastra Jawa, dalam hal ini dokumen “Menak Sorangan I, Bab I, Halaman 3 dan 4” diperoleh prosentase keberhasilan pengenalan sebesar 86.53%. Maka dapat disimpulkan bahwa pemilihan metode-metode yang dipergunakan dalam tahap pengenalan citra dokumen pada penelitian ini relatif sudah baik.

Keyword: Citra dokumen, normalisasi orientasi, binarisasi, noise, perangkaan, segmentasi, pengenalan karakter, ekstraksi ciri.

xiii


DOCUMENT IMAGE RECOGNITION OF JAVANESE LITERATURE: CONCEPTS AND IMPLEMENTATION by: Anastasia Rita Widiarti

ABSTRACT In Yogyakarta still often could be found the old texts that were the cultural inheritance that was not appraised him. Then if these texts could be converted in the digital format, would many benefits that could be gained. This research tried to make a prototype of the document image recognition system to the Javanese literature. The input data was for the system received from results of Javanese reading of the literature document with the implement optic, that afterwards was kept as file the picture with the format *. Jpg. Further by utilizing various methods for the processing of the image, was received by the Javanese character image the framer of the image of the input document. By counting the number pixel the object in each unit from a character image was received by the characteristics of this image. These characteristics were afterwards kept in the Javanese character database, during afterwards these characteristics were used in the verification of the characteristics if being gotten by Javanese character input. By utilizing the modification of the Euclidean distance will be received by the Latin names of each Javanese character the framer of the document image. From results of the research showed that to know the Javanese image of the literature document, in this case the Menak Sorangan I document and the Panji Sekar document the Map in the page 3 and 4, was received by the percentage of the success of the introduction as big as 86.53%. Then could be concluded that the election of methods that was utilized in the introductory stage to the document image in this research was relative has been good.

Key Word: document image recognition, image processing.

xiv


BAB I PENDAHULUAN

1.1 Latar Belakang Masalah Salah satu persoalan dalam bidang komputer yang banyak menjadi perhatian adalah analisis citra dokumen (document image analysis). Analisis citra dokumen merupakan ilmu yang membahas tentang algoritma-algoritma dan teknik-teknik yang diterapkan pada citra atau dokumen untuk menghasilkan deskripsi yang dapat dikenali oleh komputer. Analisis citra dokumen muncul karena kebutuhan efisiensi dalam menganalisis sebuah dokumen kertas yang sudah ada. Contoh kasus yang membutuhkan analisis citra dokumen misalnya untuk membaca dokumen tercetak atau dokumen tulisan tangan dan mengubahnya menjadi dokumen digital sehingga kualitasnya

dapat

diperbaiki

atau

keberadaannya

(umur

dokumen)

dapat

diperpanjang. Perkembangan ilmu analisis citra dokumen membuka peluang besar untuk dimanfaatkan bagi penyelamatan naskah-naskah kuno yang banyak ditemukan di Yogyakarta dan merupakan warisan budaya yang tak ternilai harganya. Apabila naskah-naskah tersebut dapat dikonversikan ke dalam format digital, akan banyak manfaat yang bisa diraih. Persoalan muncul karena naskah kuno di Yogyakarta kebanyakan ditulis dengan menggunakan karakter Jawa, sementara komputer umumnya hanya mengenal dan merepresentasikan karakter Latin. Oleh karena itu, diperlukan suatu perangkat lunak yang mampu mengenali dokumen berkarakter Jawa tersebut dan selanjutnya

1


2

merepresentasikannya dalam komputer. Mengingat tidak semua orang mengenal karakter Jawa, maka akan lebih bermanfaat lagi apabila kemudian naskah berkarakter Jawa tersebut dapat direpresentasikan pula dengan karakter Latin tanpa kehilangan maknanya.

1.2 Perumusan Masalah Berdasarkan latar belakang di atas, maka permasalahan yang dapat dirumuskan adalah: a. Bagaimana membaca dan mengubah data masukan berupa hasil scan menjadi sebuah bentuk tertentu yang siap diolah? b. Bagaimana mengimplementasikan algoritma-algoritma yang berkait dengan analisis citra dokumen teks untuk membuat prototipe perangkat lunak yang dapat mengenali masukan sebuah citra dokumen teks yang ditulis dengan mempergunakan karakter Jawa? c. Bagaimana merepresentasikan citra dokumen teks yang memakai model tulisan karakter Jawa yang sudah dikenal tersebut ke dalam dokumen teks yang memakai karakter Latin?

1.3 Batasan Masalah Dalam penelitian ini ada beberapa pembatasan masalah yang dilakukan, yaitu: a. Proses yang akan dilakukan adalah analisis citra dokumen teks saja b. Citra dokumen ditulis dengan mempergunakan karakter Jawa yang monokrom


3

c. Citra dokumen diambil dari buku cetakan dengan ketentuan terdapat jarak antar baris d. Masukan hanya berupa satu citra dokumen teks per satu saat.

1.4 Keaslian Penelitian Sejauh yang penulis ketahui, penelitian yang membahas tentang analisis citra dokumen telah banyak dilakukan, namun implementasinya pada citra dokumen teks yang ditulis dengan mempergunakan karakter Jawa belum ada sebelumnya. Penelitian ini pada dasarnya meneruskan kerja dari Suprihatin (2003). Bedanya, input program bukan diperoleh dari komputer melainkan dari hasil scan sebuah citra dokumen teks.

1.5 Tujuan Penelitian Tujuan yang ingin dicapai dalam penelitian ini adalah merancang dan membuat sebuah perangkat lunak yang mampu melakukan analisis citra dokumen teks, sehingga dapat digunakan untuk mengolah sebuah citra dokumen teks yang ditulis dengan mempergunakan karakter Jawa.

1.6 Faedah Penelitian Manfaat yang diharapkan dari penelitian ini adalah dapat melakukan konversi naskah dari buku sastra jawa ke dalam format teks karakter Latin secara otomatis.


4

1.7 Metodologi Penelitian Penelitian ini dilakukan dengan mempergunakan tahapan proses analisis citra dokumen yang skemanya dapat digambarkan sebagai berikut:

Dokumen Menak Sorangan

Data Capture

Binarisasi

Deretan Kata Dalam Huruf Latin

Filling

Thinning

Pembentukan Kata

Segmentasi

Pengenalan Karakter

Gambar 1.1 Bagan Proses Analisis Citra Dokumen “Menak Sorangan” a. Data Capture Tahap awal dari proses analisis citra dokumen adalah digitalisasi data dokumen dengan mempergunakan alat bantu scan. Hasil digitalisasi disimpan dalam file *.jpg.

Selanjutnya dilakukan langkah normalisasi orientasi

terhadap file tersebut. b. Binarisasi Setelah data dalam format digital diperoleh, maka langkah selanjutnya adalah mengubah citra dari citra yang non hitam putih ke dalam citra hitam putih. Di mana warna hitam adalah untuk citranya, dan warna putih adalah warna latar belakang. c. Filling Hasil dari proses binarisasi sangat mungkin terdapat beberapa noise, contohnya adalah adanya salt and pepper. Agar proses selanjutnya berhasil dengan baik, maka harus dilakukan proses untuk mengurangi noise ini.


5

d. Thinning Setelah diperoleh citra yang bebas dari noise, maka selanjutnya dilakukan proses untuk mengurangi komponen citra yang tidak mempunyai arti atau tidak membedakan. e. Segmentasi Segmentasi adalah proses untuk memisahkan komponen setiap teks yang nantinya akan dipergunakan dalam tahap pengenalan karakter. f. Pengenalan Karakter Tahap pengenalan karakter bertujuan untuk mengenali setiap karakter yang telah diperoleh sebagai hasil dari segmentasi. g. Pembentukan Kata Pembentukan kata menjadi tahap terakhir dari keseluruhan proses analisis. Sebagai keluaran dari tahap ini akan diperoleh deretan kata yang dibentuk dari hasil pengenalan karakter.

Langkah penelitian: a. Merancang dan membuat program aplikasi Sistem Pengenalan Citra Dokumen Teks Sastra Jawa b. Menguji coba program aplikasi yang telah dibuat. c. Melakukan analisis terhadap hasil pengujian.


6

1.8 Tinjauan Pustaka Penelitian dan tulisan tentang analisis citra dokumen telah banyak dilakukan oleh banyak peneliti. Gonzales (Gonzales, 1992), menyodorkan sebuah rumusan global tentang bagaimana memisahkan citra utama dengan citra latar belakang. Namun rumusan ini mempunyai kelemahan, yaitu tidak secara eksplisit menyatakan berapa nilai ambang yang dipakai untuk memisahkan citra tersebut. Pembaca harus melihat kasus per kasus dalam menentukan harga ambang yang cocok. Haralick (Haralick, dkk., 1987), memberikan metode morfologi dalam proses pengurangan noise, Fletcher dan Kasturi (Fletcher dan Kasturi, 1988) menyodorkan algoritma Robust yang dapat dipakai untuk proses segmentasi, dan kemudian Arcelli, dan Sanniti (Arcelli dan Sanniti, 1985) memberikan contoh pemakaian fast thinning algorithm untuk mengurangi komponen citra yang tidak penting. Kesemua penelitian di atas adalah penelitian yang berkait dengan proses pengolahan tingkat piksel, setelah citra dibaca dengan mesin scanner, namun kesemuanya dipakai untuk dokumen citra yang ditulis dengan mempergunakan karakter latin. Setelah tahap pengolahan tingkat piksel, maka tahap selanjutnya adalah tahap pengenalan karakter dan analysis layout halaman. Brown (Brown, 2000),secara detil memberikan contoh implementasi algoritma feature point extraction untuk pengenalan karakter latin. Kavallieratou (Kavallieratou, dkk., 2000) mengaplikasikan distribusi kelas Cohen untuk memperbaiki kemiringan karena ketidaksempurnaan dalam proses pembacaan dokumen. O’Gorman (O’Gorman, 1993), secara garis besar memberikan contoh analisis layout halaman dokumen khususnya untuk dokumen dari jurnal ilmiah IEEE Transactions On Pattern Analysis and Machine Intelligence.


7

Suprihatin

(Suprihatin,

2003),

dalam

tesisnya

telah

berhasil

mengalihaksarakan tulisan karakter jawa ke tulisan karakter latin, namun masukan untuk program alihaksara diperoleh dari keyboard dengan mempergunakan program sofy untuk mendapatkan jenis font karakter jawa.

1.9 Sistematika Penulisan Tesis ini ditulis dengan sistematika sebagai berikut: Bab pertama menguraikan tentang latar belakang masalah, rumusan masalah, batasan masalah tujuan penelitian. manfaat penelitian, metode penelitian, tinjauan pustaka, dan sistematika penulisan. Bab kedua Landasan Teori membahas teori analisis citra dokumen teks, dan pengolahan citra. Bab ketiga Perancangan Sistem berisi disain dari sistem yang meliputi spesifikasi sistem, diagram aliran data, struktur dari program, disain antarmuka, dan disain struktur menu dari sistem. Bab keempat Implementasi Sistem menguraikan implementasi dari prosesproses dalam diagram aliran data yang berupa keterangan tentang sub-sub modul yang dipergunakan oleh sistem. Bab kelima Hasil dan Pembahasan menguraikan hasil pengujian sistem dan analisis dari hasil pengujian sistem tersebut. Bab keenam Kesimpulan dan Saran menguraikan kesimpulan dari penelitian dan saran-saran.


BAB II LANDASAN TEORI

Kata citra berasal dari kata image dalam bahasa Inggris. (Gonzales dan Woods, 1992) mendefinisikan citra sebagai suatu fungsi kontinu dari intensitas dalam bidang dua dimensi (2-D), di mana setiap titik pada citra dapat dinyatakan secara matematis sebagai: 0 < f ( x, y ) < ∞ dengan f ( x, y ) menyatakan intensitas cahaya pada lokasi (x,y). Citra digital didefinisikan sebagai citra f(x,y) yang nilainya didigitalisasikan atau dibuat diskrit baik dalam koordinat bidang maupun dalam intensitas cahayanya (Gonzales dan Woods, 1992). Citra digital dapat digambarkan sebagai suatu matriks yang terdiri dari baris dan kolom, di mana setiap pasangan indeks baris dan kolom menyatakan suatu titik pada citra, dan nilai elemen matriksnya menyatakan nilai tingkat kecerahan di titik tersebut. Elemen-elemen matriks tersebut kemudian dinamakan sebagai elemen citra, atau elemen gambar atau piksel (Gonzales dan Woods, 1992). Selanjutnya dalam tesis ini yang dimaksud dengan citra adalah citra digital. Citra dokumen adalah representasi visual dokumen kertas seperti jurnal, hasil faksimili, surat-surat kantor, lembar isian, dan lain-lain. Pengenalan citra dokumen adalah suatu upaya untuk menjadikan citra dokumen menjadi suatu representasi semantik (Srihari, S.N., dkk, 1986).

8

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 9

2.1 Pengenalan Pola Pengenalan pola (pattern recognition) merupakan salah satu komponen penting dalam sistem pengenalam citra dokumen. Tujuan utama dari pengenalan pola adalah mengklasifikasikan obyek yang diberikan sebagai input ke dalam salah satu dari kelas-kelas yang sudah ditentukan sebelumnya. Proses pengenalan pola terdiri dari tiga fase utama, yaitu segmentasi citra, ekstraksi ciri, dan klasifikasi. Fase segmentasi citra adalah suatu fase yang bertujuan memisahkan citra yang menjadi pusat perhatian dari bagian citra lainnya. Fase ekstraksi ciri adalah fase dilakukannya pengukuran terhadap citra. Pengukuran dimaksudkan untuk memperoleh suatu nilai properti dari suatu obyek. Ciri adalah fungsi dari satau atau beberapa nilai properti yang dapat dipergunakan untuk menyatakan suatu karakter tertentu dari obyek. Fase ekstraksi ciri akan menghasilkan beberapa ciri yang diwujudkan dalam bentuk suatu vektor ciri. Vektor ciri hasil ekstraksi ciri ini dipergunakan oleh fase klasifikasi. Output dari fase klasifikasi adalah suatu keputusan termasuk kelas apakah suatu obyek itu. Dalam proses klasifikasi setiap obyek digolongkan ke dalam salah satu dari kelas-kelas yang sudah ditetapkan sebelumnya.

2.2 Analisis Citra Dokumen Banyak dokumen yang memiliki format karakter yang berbeda dengan format karakter karakter latin, misal dokumen yang ditulis dalam format karakter Cina, India, Thailand, Jawa dan sebagainya. Akibatnya dokumen tersebut hanya dapat dibaca oleh orang yang memahami format karakter tersebut. Untuk kepentingan


tersebut, dibutuhkan sistem analisis citra dokumen untuk menerjemahkan dokumen dengan bentuk karakter tertentu agar menghasilkan sebuah deskripsi yang dapat dipahami oleh pembaca. Sistem analisis citra dokumen juga dapat digunakan untuk kepentingan lain, misal untuk membaca karakter dalam amplop surat sehingga surat dapat dipilah-pilah, atau untuk mengubah koleksi buku di perpustakaan tradisional ke dalam format digital. Tujuan utama dari kegiatan analisis citra dokumen adalah untuk mengenali komponen-komponen teks ataupun gambar di dalam suatu dokumen. Analisis citra dokumen secara garis besar dibagi menjadi dua kategori analisis, yaitu analisis untuk teks dan gambar, seperti terlihat dalam Gambar 2.1 (O’Gorman dan Kasturi, 1997).

Pengolahan Dokumen

Pengolahan Teks

Pengenalan Karakter

Teks

Analisis Layout Halaman

Kecondongan, baris, alinea, paragraf

Pengolahan Gambar

Pengolahan Garis

Pengolahan Simbol dan Wilayah Gambar

Garis lurus, sudut, kurva

Daerah Gambar

Gambar 2.1 Hirarki Pemrosesan Dokumen. Pengolahan teks berkait dengan bagian teks dari citra dokumen. Beberapa tugas yang terkait dengan pengolahan teks adalah menentukan kecondongan teks, menemukan kolom-kolom, paragraf-paragraf, baris-baris teks, dan kata, dan akhirnya


mengenali teks beserta atributnya, misalnya ukuran dan font dari teks seperti yang dapat dilakukan oleh mesin pengenal karakter (OCR). Sementara pengolahan grafik berkait dengan komponen garis dan simbol-simbol yang membentuk diagram, logo, dan lain sebagainya. Dan lebih lanjut O’Gorman dan Kasturi memberikan tahapantahapan proses analisis citra dokumen seperti terlihat dalam Gambar 2.2. Lembar Dokumen

Data Capture

Pengolahan Tingkat Piksel

Analisis Tingkat Fitur

Pengenalan dan Analisis Teks

Pengenalan dan Analisis Grafis

Dokumen Hasil

Gambar 2.2 Langkah-langkah Proses Analisis Dokumen 2.2.1

Data Capture Pada tahap data capture, data dari dokumen kertas akan dibaca dengan alat

scan optis dan hasilnya disimpan sebagai file dalam bentuk piksel. Terdapat tiga kemungkinan nilai piksel, yaitu berupa nilai ON(1) atau OFF (0) untuk citra biner,


atau suatu bilangan bulat antara 0-255 untuk citra grayscale, atau tiap piksel terdiri atas 3 komponen bilangan bulat antara 0-255 untuk komponen wana merah, komponen warna hijau, dan komponen warna biru untuk citra berwarna. Barisan nilai piksel yang diperoleh pada tahap ini, kemudian akan diproses lebih lanjut untuk mendapatkan suatu informasi seperti yang diinginkan. 2.2.2

Pengolahan Tingkat Piksel Tahap pengolahan tingkat piksel adalah suatu tahap yang bertujuan untuk

menyiapkan dokumen citra, serta membuat fitur perantara untuk membantu mengenali citra. Langkah- langkah yang dilakukan adalah : a. Proses binarisasi: memisahkan citra utama dari citra latar belakang yang tidak dibutuhkan. b. Pengurangan noise: menghilangkan piksel-piksel yang tidak penting untuk mengurangi kesalahan pengenalan obyek. c. Segmentasi: memisahkan komponen teks dan grafis dari sebuah dokumen. Pada komponen teks segmentasi dilakukan dengan memisahkan kolom, paragraf, kata dan karakter. Pada komponen grafis, segmentasi akan memisahkan simbol dan garis. d. Thinning dan deteksi area:

Thinning merupakan proses untuk mengurangi

komponen citra yang tidak penting agar proses analisis dan pengenalan dapat dilakukan dengan lebih efisien. Thinning dikenakan terhadap kurva tebal yang akan ditipiskan. Deteksi area dikenakan pada obyek yang diblok dengan warna sedangkan yang diperlukan hanya batas area tersebut.


e. Chain coding dan vektorisasi: mengubah data kerangka dan kontur yang ada menjadi piksel On yang saling berantai (terkait) sehingga penyimpanan obyek menjadi lebih efisien. 2.2.3

Analisis Tingkat Fitur Analisis tingkat fitur akan menghasilkan informasi yang lebih dapat dipahami

manusia. Langkah- langkah yang dilakukan adalah : a. Pengelompokan garis dan kurva: menentukan garis dan kurva yang saling berhubungan serta memisahkan garis dan kurva yang tidak sekelompok. b. Poligonisasi: mengolah kurva dan garis lurus yang ada sehingga akan mendekati aslinya dan dapat disimpan dengan data yang lebih ringkas. c. Deteksi titik kritis. mengenali suatu bentuk kurva berdasarkan titik kritis yang ditentukan. 2.2.4

Analisis Teks Terdapat dua tipe analisis yang dapat diberlakukan terhadap teks pada

dokumen. Yang pertama adalah pengenalan karakter (character recognition) untuk mengenali karakter dan kata dari citra berbasis bit. Yang kedua adalah analisis layout halaman untuk menentukan format teks dan menentukan arti, yang berhubungan dengan posisi dan fungsi dari teks. Dalam analisis layout halaman yang dilakukan adalah : a. Perkiraan kemiringan:

mengelola karakter yang memiliki sudut kemiringan

tertentu sehingga nantinya akan dapat diolah untuk dikenali. b. Analisis layout: memilah karakter dalam dokumen untuk dikelompokkan dalam paragraf, judul, atau daftar isi dan yang lainnya.


2.3. Normalisasi terhadap Orientasi Normalisasi terhadap orientasi dilakukan untuk mengurangi pengaruh kesalahan orientasi saat pembacaan data citra dokumen dengan scanner. Tidak dapat dijamin bahwa pengguna akan selalu menempatkan dokumen tegak lurus dengan sumbu utama. Oleh karena itu, perlu dilakukan perputaran atau rotasi sebesar sudut penyimpangan (θ) sebagai langkah koreksi terhadap penyimpangan orientasi. Rotasi suatu citra dengan sudut sebesar θ yang berlawanan arah dengan arah jarum jam, (lihat gambar 2.3) dapat dilakukan dengan mempergunakan rumus (2.1). x’ = x cos(θ) – y sin(θ)

(2.1)

y’ = x sin(θ) + y cos(θ)

( x', y')

( x, y) θ

Gambar 2.3. Perputaran citra dengan sudut θ Untuk mengetahui seberapa besar penyimpangan orientasi suatu obyek dengan sumbu utama, dapat dilakukan dengan mempergunakan orientasi momen. Nilai θ dapat ditentukan dengan rumus (2.2).

1 2

⎡

θ = tan −1 ⎢

2µ1,1

⎢⎣ µ 2,0

⎤ ⎥ − µ 0, 2 ⎥⎦

(2.2)


15

dengan

µ p ,q = ∑∑ (m − m) p (n − n) q m

(2.3)

n

merupakan momen pusat ordo (p,q), dengan m , n merupakan titik pusat momen yang didefinisikan sebagai berikut: m=

1 N

∑∑ m , m

n

n=

1 N

∑∑ n, m

(2.4)

n

N menyatakan jumlah piksel pada citra, m dan n menyatakan koordinat obyek dari citra. Rumus (2.4) hanya berlaku untuk citra biner. 2.4. Binarisasi

Binarisasi adalah tahapan pertama di dalam pengolahan tingkat piksel setelah dilakukan data capture, yaitu proses untuk memisahkan obyek dari latar belakang yang tidak dibutuhkan (O’Gorman dan Kasturi, 1997). Tujuan utama dari proses ini adalah secara otomatis menentukan nilai ambang threshold yang akan berfungsi untuk membagi citra menjadi dua bagian atau dua kelompok, yaitu kelompok obyek dan kelompok latar. Berdasarkan tujuan tersebut, maka dalam banyak sumber lain, proses binarisasi ini akan disebut sebagai proses thresholding. Proses pemilihan threshold seringkali akan menjadi proses yang sulit ketika: a. Perbedaan antara piksel obyek dan latar sangat tipis. Contohnya bila terdapat teks yang dicetak pada bagian yang diberi latar abu-abu. b. Ketika proses data capture dilakukan, pencahayaan untuk proses scanning kurang. c. Ketika teks dicetak sangat tipis baik dengan cara dipukulkan atau disemprot.


16

Beberapa keuntungan yang akan diperoleh apabila proses binarisasi berhasil dengan baik adalah: a. Mengurangi kompleksitas komputasi untuk proses selanjutnya, karena ragam data yang dipergunakan sederhana (Sauvola, J., dkk., 1997). b. Mengurangi penggunaan memori karena data yang tersimpan hanya akan berupa deretan data biner (Kasturi, R., dkk., 2002). c. Memungkinkan pemakaian metode analisis yang sederhana ketimbang dipergunakan data citra yang gray level atau berwarna (Sauvola, J., dkk., 1997). Threshold suatu citra g(x,y), di mana f(x,y) menyatakan gray-level dari suatu poin (x,y), dan T menyatakan suatu nilai ambang threshold, didefinisikan sebagai berikut (Gonzales dan Woods, 1992): ⎧1 g ( x, y ) = ⎨ ⎩0

jika f ( x, y ) > T ⎫ ⎬ jika f ( x, y ) ≤ T ⎭

(2.5)

di mana 1 menyatakan latar dan 0 menyatakan obyeknya. Indikasi keberhasilan proses binarisasi adalah seberapa baik threshold yang dipilih dapat mempartisi obyek dan latar. Akan terdapat tiga kemungkinan yang muncul saat pemilihan suatu nilai threshold (Antonacopoulos, A., 1995) yaitu : a. Threshold yang dipilih terlalu tinggi, sebagai akibatnya akan muncul kemungkinan bahwa citra yang seharusnya terpisah menjadi bergabung, atau b. Threshold yang dipilih terlalu rendah, sebagai akibatnya akan muncul kemungkinan bahwa sebuah citra terpotong menjadi beberapa bagian, atau c. Threshold yang dipilih sesuai atau baik.


17

Disinilah letak persoalan utama dari proses binarisasi, yaitu memilih harga threshold yang baik. Kasturi, dkk., (Kasturi, R., dkk., 2002) menyatakan bahwa proses seleksi untuk menentukan threshold yang baik akan selalu berupa proses yang bersifat trial and error. Dalam hal ini berarti bahwa pada saat implementasi, hasil dari proses binarisasi harus dicermati apakah obyek sudah terpisah dengan baik dari latar belakangnya. 2.4.1 Metode Otsu

Pendekatan yang dilakukan oleh metode otsu (Otsu, 2005) adalah dengan melakukan analisis diskriminan yaitu menentukan suatu variabel yang dapat membedakan antara dua atau lebih kelompok yang muncul secara alami. Analisis diskriminan akan memaksimumkan variabel tersebut agar dapat memisahkan obyek dengan latar belakang. Untuk selanjutnya variabel tersebut akan disebut dengan ambang. Misalkan citra yang akan dicari nilai ambangnya mempunyai N buah piksel, dengan derajat keabuan sebesar 256. Maka probabilitas kemunculan piksel dengan tingkat keabuan i dinyatakan dengan: pi = ni / N

(2.6)

dengan ni menyatakan jumlah piksel dengan tingkat keabuan i. Seandainya nilai ambang yang akan dicari dari suatu citra hitam putih dinyatakan dengan k. Untuk citra graylevel, maka nilai k nantinya akan berkisar antara 0 sampai dengan L, dimana L = 255 menyatakan tingkat keabuan warna yang terbesar.


18

Nilai ambang k dapat ditemukan dengan memaksimumkan persamaan:

σ B2 (k *) = max σ B2 (k ) 1≤ k < L

(2.7)

dengan:

σ B2 (k ) =

[ µT ω (k ) − µ (k )]2 ω (k )[1 − ω (k )]

(2.8)

Nilai µT adalah jumlahan nilai dari perkalian i dengan pi. Nilai µ(k) disebut momen kumulatif ke-nol pada intensitas warna ke-k, dan nilai ω(k) menyatakan nilai momen kumulatif ke-satu pada intensitas warna ke-k. k

ω (k ) = ∑ pi i =1

(2.9)

k

µ (k ) = ∑ i ⋅ pi i =1

(2.10)

L

µT = ∑ i ⋅ pi i =1

(2.11)

2.5 Pengurangan Noise

Tahap selanjutnya dalam pengolahan piksel adalah tahap untuk mengurangi noise atau disebut juga tahap filling. Salt-and-pepper noise adalah contoh noise yang umumnya muncul sebagai akibat dari kualitas citra dokumen yang tidak baik, misalnya karena hasil fotokopi dokumen citra tersebut tidak baik. Bentuk noise tersebut misalnya adalah adanya piksel yang letaknya terasing dari piksel yang lain, atau adanya piksel ON di daerah OFF atau sebaliknya, seperti diperlihatkan dalam gambar 2.4.


19

Tujuan utama dari filling adalah mengurangi sebanyak mungkin noise namun tetap diperoleh citra yang baik. Dua metode yang biasa dipergunakan dalam filling adalah metode morfologi dan pengolahan cellular. Dasar dari kedua metode tersebut adalah apa yang disebut dengan erosi dan dilatasi. Erosi adalah pengurangan ukuran dari daerah ON, yaitu sebagai akibat adanya piksel-piksel ON yang berada di daerah OFF atau terasing dari piksel ON yang lain. Dilatasi adalah proses sebaliknya dari erosi, yaitu menambahkan piksel ON untuk menutup daerah ON. Biasanya kedua proses erosi dan dilatasi dijalankan secara iterasi, serta menggunakan kombinasi dua proses tersebut. Jika yang terjadi adalah proses iterasi erosi dilanjutkan dengan iterasi dilatasi, prosesnya biasa disebut dengan proses terbuka atau opening. Sebaliknya jika proses yang terjadi adalah iterasi dilatasi dilanjutkan dengan iterasi erosi, prosesnya disebut dengan proses tertutup atau closing. Dengan opening dan closing diharapkan batas-batas citra menjadi halus, daerah-daerah yang terpisah digabungkan dan noise yang sedikit menjadi hilang

Gambar 2.4. Ilustrasi dari karakter na dengan salt-and-pepper noise


20

2.5.1. Titik-Titik Tetangga

Suatu piksel p pada koordinat (x,y) mempunyai 4 buah tetangga horisontal dan vertikal, di koordinat: (x + 1, y), ( x -1, y), (x , y + 1), (x ,y - 1).

Kumpulan dari piksel-piksel pada koordinat di atas disebut dengan 4 tetangga dari piksel p, yang dinotasikan dengan N4(p). Setiap piksel mempunyai jarak satu kesatuan dari koordinat (x,y), dan beberapa tetangga dari p terdapat di luar citra jika (x,y) adalah batas dari citra. Empat buah tetangga diagonal dari p mempunyai koordinat: (x + 1, y + 1), (x + 1, y - 1), (x - 1, y + 1), (x - 1, y - 1).

yang diberi notasi Nd(p). Gabungan antara N4(p) dan Nd(p) selanjutnya biasa disebut dengan 8 titik tetangga dengan notasi N8(p). Beberapa poin di dalam Nd(p) dan N8(p) berada di luar citra jika (x,y) adalah koordinat dari batas-batas citra. Berikut ini adalah gambaran bentuk ketetanggaan 8, di mana piksel P1 mempunyai 8 piksel tetangga, yaitu mulai dari piksel P2 sampai dengan piksel P9. P9 P8 P7

P2 P1 P6

P3 P4 P5

Gambar 2.5 Ilustrasi piksel P1 yang mempunyai 8 titik tetangga

Dalam banyak proses pengolahan citra, seringkali terjadi proses pengolahan citra mendasarkan pada titik-titik tetangga dari suatu piksel, misal proses erosi, dan dilatasi seperti dijelaskan pada subbab 2.5 di atas.


21

2.6 Perangkaan

Perangkaan atau thinning atau istilah lainnya medial-axis adalah suatu proses pengurangan komponen-komponen citra

dengan tujuan untuk mendapatkan

informasi yang paling mendasar tentang pembentuk citra atau untuk mendapatkan kerangka suatu citra. Karena itu thinning bisa disebut juga sebagai operasi perangkaan.

Sebagai contoh, seseorang yang menggambar garis dengan

mempergunakan pena yang berbeda akan memperoleh ketebalan garis yang berbedabeda, tetapi informasi yang ditampilkan sama yaitu suatu garis saja. Gambar 2.6 di bawah ini memberikan contoh lain citra yang belum dikenai thinning dan hasil dari thinning.

Gambar 2.6 Contoh citra karakter pra sebelum dan sesudah dikenai thinning

Algoritma Hilditch, algoritma Rosenfeld adalah algoritma-algoritma yang dapat dipergunakan untuk mendapatkan kerangka suatu citra.

2.6.1. Algoritma Hilditch

Algoritma Hilditch adalah salah satu algoritma yang dapat dipergunakan utuk operasi perangkaan. Misal diketahui delapan piksel tetangga yaitu P2, P3, .., P9 dari sebuah piksel P1:


22

Untuk memutuskan apakah menghapus piksel p1 atau menyimpannya sebagai bagian dari kerangka, maka diatur ke-8 tetangga tersebut di atas, serta dibutuhkan dua buah fungsi sebagai berikut: a. B(P1), yang menyatakan banyaknya tetangga dari piksel P1 yang merupakan titik obyek. b. A(P1), yang menyatakan banyaknya pola 0,1 untuk urutan P2-P3-P4-P5-P6P7-P8-P9-P2 Sebagai contoh, apabila diketahui bagian dari citra di bawah ini

(a) (b) Gambar 2.7 Bagian dari sebuah citra

maka untuk gambar 2.6.a mempunyai B(P1) = 2, dan A(P1)=1, sedangkan gambar 2.6.b. mempunyai B(P1) = 2, dan A(P1) = 2. Pada algoritma yang merupakan operasi terhubung-8 ini dilakukan beberapa kali iterasi pengikisan pada suatu obyek, di mana pada setiap pengikisan dilakukan pemeriksaan pada semua titik dalam citra dan melakukan pengubahan sebuah titik obyek menjadi titik latar apabila memenuhi keempat kondisi berikut ini: a. 2 ≤ B(Pl) ≤ 6 Kondisi ini menggabungkan dua sub-kondisi, yaitu sub-kondisi jumlah tetangga yang merupakan obyek lebih besar atau sama dengan 2, dan kurang dari atau sama dengan 6.


23

Sub-kondisi pertama menjamin bahwa tidak ada titik terisolasi B(P1) = 0, ataupun titik ujung B(P1) = 1 yang terkikis Sub-kondisi kedua menjamin batas piksel juga tidak terkikis untuk mencegah pengecilan kerangka. Untuk lebih jelasnya perhatikan gambar 2.8.

B (p1) =1

B (P1) =0

B (P1) =7

Gambar 2.8 Contoh piksel dengan B(PI)<2 dan B(PI)>6

Jika B (P1) =1, maka P1 adalah titik ujung sehingga tidak dihilangkan. Jika B (p1) =0, maka P1 adalah titik terisolasi dan juga sebaiknya disimpan (kalaupun merupakan noise, proses untuk menghilangkan noise tidak dikerjakan dalam proses perangkaan ini. Jika B (P1) =7, P1 tidak lagi di batas pola, sehingga sebaiknya tidak dikikis. b. A(Pl) = 1 Kondisi ini menunjukkan sifat konektivitas, di mana jika kita menghilangkan suatu titik yang mempunyai nilai A lebih dari 1, seperti ditunjukkan pada gambar 2.9, maka pola atau kerangka akan menjadi terputus. Maka titik P1 pada contoh-contoh tersebut tidak boleh dihapus.

A(P1) = 2

A(P1) = 2

A(P1) = 3

Gambar 2.9 Contoh piksel dengan A(PI) ≠ 1


24

c. P2, P4, atau P8 ada yang merupakan titik latar, atau A(P2) ≠ 1 Kondisi ini digunakan untuk menghindarkan terhapusnya garis horizontal dengan lebar 2 titik terhapus.

A(P2) ≠1

P2=P4=P8=0

P2=P4=P8=1 dan A(P2) = 1

Gambar 2.10 Contoh piksel dengan P2=P4=P8=1 atau 0 dan A(P2) = 1 atau ≠ 1

d. P2, P4, atau P6 ada yang merupakan titik latar, atau A(P4) ≠ 1 Kondisi ini digunakan untuk menghindarkan terhapusnya garis horizontal dengan lebar 2 titik terhapus.

A(P4) ≠ 1

P2=P4=P6=0

P2=P4=P6 ≠ 0 dan A(P4) =1

Gambar 2.11 Contoh piksel dengan P2=P4=P8 ≠ 0 atau 0 dan A(P4) = 1 atau ≠ 1

Maka P1 harus dikikis. Algoritma dihentikan apabila pada suatu iterasi tidak ada lagi titik yang diubah.

2.7 Segmentasi

Segmentasi adalah proses pemecahan citra ke dalam obyek-obyek yang terkandung di dalamnya. Dalam analisis citra dokumen, segmentasi ini dibagi menjadi dua tahap, pertama adalah pemisahan teks dan gambar, dan tahap kedua


25

adalah melakukan proses pemisahan selanjutnya dari hasil tahap pertama. Sebagai contoh untuk teks, maka proses selanjutnya adalah menurunkan teks tersebut menjadi komponen-komponen teks, yaitu menemukan kolom-kolom, paragraf-paragraf, katakata, sampai akhirnya adalah menemukan karakter-karakter penyusun kata. Proses

segmentasi

pada

citra

dokumen

dapat

dilakukan

dengan

mempergunakan histogram citra serta profil proyeksi dari citra tersebut.

2.7.1. Histogram Citra

Histogram citra adalah grafik yang menggambarkan penyebaran nilai-nilai intensitas piksel dari suatu citra atau bagian tertentu di dalam citra. Dari histogram dapat diketahui frekuensi kemunculan dari intensitas pada citra tersebut. Misalkan diketahui sebuah citra digital memiliki L derajat keabuan, yaitu dari nilai 0 sampai L-1 (misalnya pada citra dengan kuantisasi derajat keabuan 8-bit, nilai derajat keabuan dari 0 sampai 255). Secara matematis histogram citra dihitung dengan rumus: ni (2.12) , i = 0,1,..., L − 1 n di mana ni menyatakan jumlah piksel yang memiliki derajat keabuan i, dan n hi =

menyatakan jumlah seluruh piksel di dalam citra. 2.7.2. Profil Proyeksi

Ekstraksi ciri dari suatu teks kalimat dapat diperoleh dari profil proyeksinya (Zramdini, A., dkk., 1993). Misalnya terdapat sebuah citra biner S dengan banyaknya baris M dan banyaknya kolom N seperti ditunjukkan pada gambar 2.12. Profil


26

proyeksi vertikal (Pv) dari citra S adalah banyaknya piksel hitam yang tegak lurus sumbu y, yaitu: M

Pv [i ] = ∑ S [i, j ]

(2.13)

j =1

Sedangkan profil proyeksi horisontal (Ph) dari citra S adalah banyaknya piksel hitam yang tegak lurus sumbu x, yaitu: N

Ph [i ] = ∑ S [i, j ]

(2.14)

j =1

Gambar 2.12 Profil proyeksi horisontal dan vertical 2.8 Pengenalan Karakter

Pengenalan karakter bertujuan untuk menerjemahkan sederetan karakter yang memiliki berbagai macam bentuk dan ukuran. Mengembangkan algoritma untuk mengidentifikasi karakter merupakan prinsip utama yang akan dikerjakan dalam pengenalan karakter. Pengenalan karakter dapat menjadi kompleks dengan bertambahnya bentuk karakter, ukuran, kemiringan dan lainnya. Algoritma pengenalan karakter terdiri dari dua bagian utama, yaitu ekstraksi ciri-ciri dan klasifikasi. Proses pengenalan karakter mencoba untuk mencari karakter dari suatu kelas dengan mempergunakan algoritma klasifikasi tertentu yang didasarkan pada ciri yang diambil pada proses ekstraksi ciri.


27

2.8.1. Ekstraksi Ciri

Tujuan dari proses ekstraksi ciri adalah mendefinisikan sifat dari setiap karakter (feature) yang tidak jelas karena pengukuran yang tidak sempurna. Yang dibutuhkan adalah kelas karakter yang berupa prototipe atau himpunan contoh yang sudah ada. Proses mengekstrak ciri berarti mencari sifat pola atribut dari setiap kelas. Contoh ciri gobal berupa jumlah lubang dalam karakter, jumlah lekukan pada bagian luar, dan jumlah tonjolan. Sedangkan contoh ciri lokal adalah posisi relatif dari posisi akhir garis, perpotongan garis dan sudut-sudut. Ciri-ciri yang bagus memiliki karakteristik antara lain: a. Membedakan (discrimination), yaitu ciri tersebut harus mampu membedakan suatu obyek dengan obyek dari kelas yang berbeda. b. Dapat dipercaya (Reliability), yaitu ciri harus dapat dipercaya untuk semua obyek dalam kelompok yang sama. c. Tidak Terikat (Independent), yaitu setiap komponen ciri tidak memiliki korelasi yang tinggi dengan komponen ciri lainnya. d. Jumlah ciri sedikit (small number), karena apabila ciri yang dipakai banyak dimungkinkan akan terjadi adanya korelasi yang tinggi antar ciri yang akan mengakibatkan penurunan unjuk kerja sistem secara keseluruhan. Terdapat banyak cara untuk memperoleh sifat dari suatu karakter. Salah satu cara yang dapat dipakai adalah dengan mencari sifat dari sekelompok bagian karakter, selanjutnya disebut dengan unit,

berdasarkan pada informasi yang

tersimpan dalam unit tersebut. Sifat ini ditandai dengan sebuah angka. Secara garis besar salah satu cara yang dapat dilakukan untuk mengekstrak fitur adalah :


28

a. Sebuah citra karakter dibagi menjadi 3 x 3 bagian sehingga menjadi 9 bagian yang disebut dengan unit. b. Setiap unit dalam keseluruhan citra akan dicari banyaknya piksel obyek. 11

5

6

1

6

4

7

7

6

Gambar 2.13 Ilustrasi perhitungan ciri karakter Jawa: tarung 2.8.2. Langkah Klasifikasi

Klasifikasi merupakan tahap pengenalan terhadap suatu obyek. Pada tahap ini obyek dikelompokkan ke dalam suatu kelas tertentu berdasarkan ciri-cirinya. Pengelompokkan dikatakan berhasil apabila obyek sama dikelompokkan pada kelas yang sama, dan obyek berbeda dikelompokkan pada kelas yang berbeda. Klasifikasi dapat dilakukan dengan pendekatan statistik, pendekatan alamiah atau pendekatan struktural. Pendekatan statistik dilakukan dengan mendefinisikan setiap komponen dari feature space berupa nilai feature atau ukuran yang berupa variabel random yang menggambarkan sifat variabilitas dalam kelas dan antara kelas. Sebuah classifier akan membagi feature space ke dalam daerah-daerah yang berhubungan dalam setiap kelas. Contoh klasifikasi yang menggunakan pendekatan statistik adalah dengan jarak tangen dan model Bayesian. Pendekatan alamiah yang biasa digunakan adalah pencocokan template. Piksel secara individu diperlakukan sebagai feature. Kesamaan pola dinyatakan dengan mendefinisikan ukuran jarak. Kelas template yang memiliki jumlah


29

kesesuaian maksimum kemudian dipilih sebagai kelas dari pola tes. Pendekatan ini disebut dengan pendekatan korelasi maksimum. Di samping itu terdapat pendekatan minimum kesalahan yang akan memilih kelas template yang memiliki jumlah minimum ketidaksesuaian sebagai kelas dari pola tes. Aturan K-nearest neighbour adalah aturan yang biasa digunakan untuk mencari kedekatan pola. Pencocokan template akan efektif jika variasi dalam kelas hanya memuat sedikit noise dan pola tes sudah bebas dari noise. Contoh klasifikasi dengan pencocokan template adalah feature point extraction (Brown, 2000). Pendekatan struktural menyatakan pola karakter dengan cara yang sederhana dengan menyatakan hubungan antara struktur yang ada. Misal untuk menyatakan karakter A maka dikatakan terdiri dari dua garis lurus yang bertemu pada titik akhir di atas, serta garis ketiga berada di tengah-tengah dan membuat lubang. Contoh klasifikasi dengan pendekatan struktural adalah pendekatan neural network dengan binary tree. Salah satu metode untuk melakukan klasifikasi dengan pendekatan alamiah dilakukan dengan cara sebagai berikut: a. Nilai setiap unit pada lokasi yang bersesuaian dari karakter yang akan dikenali dibandingkan dengan nilai setiap unit karakter yang terdapat dalam basis data. Perbandingan ini dilakukan dengan menggunakan modifikasi dari jarak Euclide. Jarak Euclide De(p,q)dari dua piksel p,q, dengan koordinat masing-masing di titik (x,y),dan (s,t), didefinisikan sebagai berikut: De(p,q) = ( (x-s)2 + (y-t)2 )½

(2.15)


30

Dari rumus 2.15 di atas kemudian dilakukan modifikasi rumus untuk mendapatkan jarak antara dua buah fitur karakter yang dibagi dalam 8 unit karakter. Apabila terdapat dua buah fitur karakter a,b dengan banyak unit sembilan (9), maka jarak Df(a,b)antara dua buah fitur tersebut dapat didefinisikan sebagai berikut: Df(a,b) =

Σ Σ |aij – bij| i

(2.16)

j

di mana i, j berjalan dari 1 sampai dengan 3. b. Dicari jarak yang paling minimum dari nilai-nilai hasil perbandingan pada

langkah satu. Jarak yang paling minimum dan masih di bawah batas atas nilai jarak yang diperbolehkan akan dipilih sebagai karakter yang paling mendekati karakter yang akan dikenali tersebut.


BAB III PERANCANGAN SISTEM

Seperti yang telah dijelaskan pada bab pendahuluan sebelumnya, maka tujuan dari penelitian adalah untuk merancang dan membangun suatu aplikasi perangkat lunak yang mampu melakukan pengenalan citra dokumen buku sastra jawa ke dalam format teks Latin secara otomatis. Ilustrasi tujuan umum dari sistem ini dapat dilihat pada gambar 3.1.

Output:

Input:

Proses

Gambar 3.1 Gambaran Umum Tujuan Sistem

3.1 Spesifikasi Sistem Sistem untuk melakukan konversi dari citra dokumen ke dalam teks dibedakan menjadi dua bagian, yaitu: Sistem Pembuat Basis Data (SPBD) dan Sistem Pengenalan Citra Dokumen (SPCD). Sistem pembuat basis data dipergunakan

31


32

untuk membuat basis data citra karakter Jawa dan terjemahan karakter tersebut dalam bahasa Latin. Sedangkan Sistem Pengenalan Citra Dokumen berfungsi untuk melakukan pengenalan citra dokumen ke dalam teks Latin. Spesifikasi sistem atau kemampuan-kemampuan yang dimiliki oleh masing-masing sistem tersebut akan diuraikan seperti berikut ini.

3.1.1 Spesifikasi Sistem Pembuat Basis Data Adapun kemampuan-kemampuan yang dimiliki oleh sistem ini yaitu: a. Sistem dapat menghitung ciri-ciri karakter jawa dan menyimpan ciri-ciri tersebut ke dalam basis data ciri tiap karakter Jawa. b. Sistem dapat menentukan terjemahan Latin dari setiap karakter Jawa.

3.1.2 Spesifikasi Sistem Pengenalan Citra Dokumen Spesifikasi atau kemampuan-kemampuan dari sistem ini adalah: a. Sistem mampu melakukan proses normalisasi orientasi citra secara otomatis. b. Sistem mampu melakukan proses binarisasi citra secara otomatis. c. Sistem mampu melakukan proses filling citra secara otomatis. d. Sistem mampu melakukan proses thinning citra secara otomatis. e. Sistem mampu melakukan proses segmentasi citra secara otomatis. f. Sistem mampu melakukan proses pengenalan karakter Jawa secara otomatis. g. Sistem mampu melakukan proses pembentukan kata dari karakter-karakter Jawa secara otomatis.


33

3.1.3 Proses Pengenalan Citra Karakter Dalam Citra Dokumen Proses pengenalan suatu citra karakter dilakukan dengan mencocokkan ciri citra karakter tersebut dengan ciri karakter yang terdapat dalam basis data ciri karakter. Suatu citra karakter query mula-mula dihitung cirinya, kemudian dilakukan pencocokan ciri citra query dengan ciri citra dalam basis data ciri karakter. Apabila dari hasil pencocokan terdapat ciri dalam basis data yang bedanya dengan ciri citra karakter query di bawah nilai threshold tertentu, maka citra karakter query tersebut akan dikenali. Suatu citra karakter dikatakan dikenali apabila kemudian muncul informasi nama latin dan citra karakter Jawa yang bersesuaian dengan ciri citra karakter query dari basis data ciri karakter. Apabila dari hasil pencocokan tidak ada ciri yang bedanya di bawah nilai threshold tertentu, maka citra karakter query tersebut akan direkomendasikan sebagai citra karakter Jawa yang baru, dan akan memasuki proses penambahan data dalam basis data citra karakter Jawa.

3.2 Desain Sistem Secara garis besar sistem pengenalan citra dokumen yang dibangun di sini dibagi menjadi dua bagian: a. Bagian Pembuat Basis Data, dipergunakan untuk membuat basis data karakter Jawa yaitu berupa karakter-karakter Jawa pembentuk kata beserta nama Latin dari karakter Jawa yang bersesuaian. b. Bagian Pengenalan Citra Dokumen, dipergunakan untuk mengenali citra dokumen.


34

Gambar 3.2. berikut ini menunjukkan struktur hubungan antara bagian pembuat basis data dan bagian pengenal citra dokumen.

Pembuat

Citra Karakter

Basis Data

Nama Latin dan Ciri setiap Karakter

Pengenal Citra Dokumen

Citra Dokumen

Hasil Pengenalan, Citra Karakter Baru

Gambar 3.2. Struktur Hubungan Antara Bagian Pembuat Basis Data dan Bagian Pengenal Citra Dokumen

3.2.1 Desain Struktur Data Data yang dipakai dalam Sistem Pembuat Basis Data terdiri dari data citra karakter Jawa yang akan disimpan dalam basis data, dan basis datanya sendiri. Basis data yang akan dibuat oleh Sistem Pembuat Basis Data adalah basis data ciri karakter Jawa yang terdiri dari citra karakter, ciri karakter, dan nama latin dari karakter Jawa yang bersesuaian. Struktur data dari basis data ciri citra karakter Jawa bertipe cell array dua dimensi berukuran n x 3, di mana dalam bahasa pemrograman Matlab bentuknya adalah: ciri = cell(1,3);


35

dengan keterangan setiap selnya adalah sebagai berikut 1. cell kolom ke 1 bertipe char array dipergunakan untuk menyimpan nama latin dari karakter Jawa 2. cell kolom ke 2 bertipe double array, dipergunakan untuk menyimpan ciri karakter Jawa 3. cell kolom ke 3 bertipe uint8 array (logical), dipergunakan untuk menyimpan citra biner karakter Jawa. 3.2.2 Diagram Aliran Data Diagram aliran data dari sistem untuk pengenalan citra dokumen ini terdiri dari dua bagian, yaitu Sistem Pembuat Basis Data (SPBD) dan Sistem Pengenalan Citra Dokumen (SPCD). SPDC berfungsi untuk mengolah citra dokumen sehingga dihasilkan deretan karakter pembentuk dokumen beserta ciri dari setiap karakter yang diperoleh. SPBD berfungsi untuk membuat basis data yang berisi ciri karakter Jawa dan terjemahan karakter Jawa tersebut ke dalam karakter Latinnya. Ciri yang dimasukkan dalam SPBD dihasilkan oleh SPCD pada saat mengenal citra dokumen. Basis data yang dihasilkan oleh SPBD selanjutnya akan dipergunakan oleh SPCD untuk mengenal nama-nama Latin dari setiap karakter Jawa yang ditemukan berdasarkan ciri yang dipunyai oleh karakter tersebut. 3.2.2.1 Diagram Aliran Data Sistem Pembuat Basis Data (SPBD) Diagram aliran data dari SPBD terdiri dari beberapa level, yaitu dimulai dari level 0 sampai level 2. DFD level 0 dari SPBD (gambar 3.3) terdiri dari 2 komponen, yaitu satu proses dan satu entitas luar yaitu pengembang (developer) yang memberikan input kepada sistem dan yang menerima output dari sistem.


36

Input yang diberikan developer kepada sistem adalah berupa citra karakter Jawa, dan nama Latin yang bersesuaian dengan karakter Jawa tersebut. Sedangkan outputnya adalah citra karakter, ciri karakter, dan nama latin dari karakter.

citra karakter, nama latin

Developer

citra karakter, ciri karakter, nama latin

Sistem Pembuat Basis Data

Gambar 3.3 DAD Level 0 Sistem Pembuat Basis Data Informasi lebih rinci dari proses SPBD diperlihatkan dalam DFD level 1 (gambar 3.4). Dalam DFD level 1 SPBD ini terdapat dua buah proses, yaitu proses Olah Data, dan proses Cari Nama. Proses Olah Data berfungsi untuk mengelola citra karakter. Proses Cari Nama berfungsi untuk menemukan ciri dan citra dari nama latin karakter yang diberikan oleh developer.

, er

a m na

a am r kt n a r r, te ka kte arak a a r r t ci ka iri k c ra t i c

Developer citr a

1 Olah Data

in lat

n am a la

in lat

citr

,

tin

k ar ak ciri ter, na m kar akt a lat in, er

2 cari nama

ak ara k ciri ter, ka nam rak ter a lati n,

in lat a m na er , r t kte arak a r k ka iri c ra cit

,

File Pustaka Karakter Jawa

Gambar 3.4 DAD Level 1 Sistem Pembuat Basis Data


37

citra karakter

1.1

1.2

citra karakter

Ekstraksi Ciri

Buka File

citra karakter

ciri karakter

File Citra Karakter Jawa

Developer

citra karakter

nama latin citra karakter, nama latin, ciri karakter

1.4 Tambah Data

citra karakter, nama latin, ciri karakter

File Ciri Karakter Jawa ciri karakter

ciri karakter

citra karakter, nama latin


1.3 Cari Ciri

citra karakter, nama latin, ciri karakter

Gambar 3.5. DAD Level 2 Proses Olah Data Proses Olah Data dijabarkan secara lebih rinci dalam DAD level 2 (gambar 3.5 di atas). Proses Buka File berfungsi untuk membuka file citra karakter Jawa dari direktori data, dan menyimpan file tersebut dengan nama KarJawa.mat pada direktori program. Kemudian developer dapat melanjutkan proses untuk mencari ciri dari karakter Jawa masukan dengan mempergunakan proses Ekstraksi Ciri. Ciri dari karakter yang dihasilkan akan disimpan dalam file cirikar.mat. Proses Cari Ciri berfungsi untuk mencari citra karakter dan nama latin dari ciri karakter, dan kemudian memberikan keluaran berupa data ciri karakter Jawa dari citra karakter yang bersesuaian. Apabila citra dengan ciri karakter masukan sudah terdapat dalam


38

database, maka proses juga akan menampilkan nama latin dari karakter Jawa tersebut kepada Developer. Apabila data citra karakter dengan ciri tertentu belum ada dalam database, maka proses Tambah Data akan memasukkan data citra karakter Jawa tersebut ke dalam basis data Pustaka Karakter Jawa. 3.2.2.2 Diagram Aliran Data Sistem Pengenalan Citra Dokumen (SPCD) Diagram aliran data dari SPCD terdiri dari beberapa level, yaitu dimulai dari level 0 seperti terlihat dalam gambar 3.6., sampai level 2. Entitas luar yaitu user memberikan masukan kepada sistem berupa citra dokumen yang akan dikonversi. Selain itu sistem juga akan mengambil informasi dari basis data Pustaka Karakter Jawa, di mana basis data tersebut dihasilkan oleh Sistem Pembuat Basis Data. Sistem kemudian akan memproses citra dokumen

yang diperoleh dari user untuk

menghasilkan keluaran berupa teks dokumen dari citra dokumen yang bersangkutan, dan kemudian memberikan hasil tersebut kepada user.

Developer

k ra cit citra dokumen User teks dokumen

Sistem Pengenalan Citra Dokumen (SPCD)

ara

r kte

ciri karakter Jawa, Nama Latin


Gambar 3.6 DAD Level 0 Sistem Pengenalan Citra Dokumen Informasi lebih rinci dari proses SPCD diperlihatkan dalam DAD level 1 SPCD seperti terlihat dalam gambar 3.7. Terdapat tujuh buah proses dalam sistem


39

SPCD ini. Sedangkan masukan untuk sistem diperoleh dari user maupun dari Sistem Pembuat Basis Data. 8 Tampil Data

ata tan k dere dereta n kata

File Teks

nama-nama latin

File Nama-nama latin nam a


-nam a

ciri karakter jawa, nama latin

a -citr citra

citra-citra karakter

Teks Dokumen

5 Segmen tasi

citra terotasi

citr

in e

citra biner

ter ota

kara kter baru

citr a ke ran gka

a fi

llin

File citra-citra baris

dok um en File citra kerangka dokumen

g

File citra filling

si

File citra terotasi

r

File citra biner

CItra Dok ume n

1 Binarisasi

ab

ra

citra-citra baris

citra kerangka dokumen

citra filling cit

citra

Developer

citr

3 Filling

6 Pengenalan Karakter

kter kara

4 Thinning

2 Normalisasi Orientasi

latin

ciri karakter jawa, nama latin, citra karakter

File citra-citra karakter

7 Pembentukan Kata

User

Gambar 3.7 DAD Level 1 Sistem Pengenalan Citra Dokumen


40

Setelah user memberikan masukan berupa citra dokumen, kemudian sistem akan melakukan proses binarisasi. Proses binarisasi ini berfungsi untuk memisahkan citra utama dengan citra latar belakang. Sebagai hasil dari proses ini akan diperoleh data citra biner yang mempunyai nilai 1 jika piksel dari citra adalah bagian dari latar belakang, atau 0 jika piksel dari citra adalah bagian dari citra utama. Proses selanjutnya adalah proses normalisasi orientasi. Proses normalisasi orientasi bertujuan untuk mengetahui seberapa besar sudut penyimpangan proses scanning, dan kemudian apabila ditemukan sudut dengan besar tertentu, maka citra masukan kemudian dirotasi sebesar sudut penyimpangannya. Setelah dihasilkan citra biner yang normal, maka data citra biner normal akan disimpan dan diproses ke tahap berikutnya, yaitu proses Filtering. Dalam proses filtering citra tadi akan dikurangi sebanyak mungkin noisenya. Hasil dari proses filtering adalah berupa citra biner yang relatif sudah bebas dari noise, seperti tidak ada lagi piksel yang terasing, atau adanya lubang di dalam kerumunan piksel. Tahap selanjutnya adalah proses thinning, yaitu proses yang berfungsi untuk menghasilkan kerangka dari setiap bentuk citra karakter Jawa. Sebagai hasil dari proses ini akan diperoleh citra dokumen yang setiap karakter dalam dokumen tersebut sudah berupa kerangka pokoknya saja. Hasil dari proses thinning ini kemudian akan diolah lagi dalam proses segmentasi. Proses segmentasi berfungsi untuk memisahkan setiap karakter dari karakter yang lain. Keluaran dari proses ini adalah deretan citra karakter Jawa yang menyusun citra dokumen yang dimasukkan oleh user.


41

Proses pengolahan tingkat piksel berakhir di proses segmentasi. Langkah berikutnya adalah proses pengenalan karakter. Dalam proses ini setiap karakter Jawa yang diperoleh akan dicoba untuk dikenali dengan nama Latinnya. Sehingga sebagai hasil dari proses ini akan berupa deretan nama-nama Latin penyusun citra dokumen di awal. Setelah deretan nama-nama Latin diperoleh maka nama-nama Latin itu akan dipakai sebagai masukan untuk proses pembentukan kata. Proses pembentukan kata ini akan menyusun kata-kata berdasarkan nama-nama Latin yang diperoleh. Jika semua nama sudah selesai diproses menunjukkan bahwa proses pembentukan kata juga selesai. Proses selanjutnya tinggal menampilkan hasil akhir dari keseluruhan proses konversi kepada user, yaitu berupa sebuah teks dokumen.

User

citra dokumen

1.1 Cari Ambang

ambang

1.2 Ubah Biner

citra biner

File citra biner

citra dokumen

Gambar 3.8 DAD Level 2 Proses Binarisasi Penjabaran lebih rinci dari proses-proses binarisasi, normalisasi orientasi, filling, segmentasi, dan pengenalan karakter dinyatakan dalam DAD level 2. DAD level 2 proses Binarisasi (gambar 3.8 di atas) dijabarkan menjadi proses Cari Ambang, dan Ubah Biner. Proses Cari Ambang akan mencari nilai ambang threshold yang menjadi acuan pemisahan obyek dari latar. Nilai ambang threshold ini kemudian dikirim ke proses Ubah Biner. Proses Ubah Biner akan mengubah nilai


42

elemen dari matriks citra inputan menjadi hanya bernilai 0 atau 1, di mana nilai 0 menyatakan obyek sementara nilai 1 menyatakan latar belakang obyek. DAD level 2 proses Normalisasi Orientasi dijabarkan menjadi proses Cari Teta dan Rotasi (gambar 3.9). Proses Cari Teta akan mencari besar sudut kemiringan teta (θ) hasil proses scanning citra. Kemudian nilai teta ini akan dikirim ke proses Putar Citra yang akan memutar citra biner sebesar sebagai teta apabila nilai teta tidak sama dengan nol.

citra biner

2.1 Cari Teta

teta

2.2 Putar Citra

citra terotasi

File citra terotasi

iner citra b

Gambar 3.9 DAD Level 2 Proses Normalisasi Orientasi Proses Filling dijabarkan lebih lanjut dalam DAD level 2 seperti ditunjukkan dalam gambar 3.10, yaitu terdiri dari proses Erosi dan Dilatasi. Proses Erosi akan mengubah nilai piksel dari obyek menjadi latar apabila ditemukan adanya pikselpiksel obyek yang terasing dalam piksel latar pada citra masukan. Citra baru hasil proses Erosi kemudian dipakai sebagai masukan dalam proses Dilatasi. Dalam proses Erosi piksel-piksel latar yang terasing dalam kelompok piksel obyek akan diubah menjadi piksel obyek.

citra terotasi

3.1 Erosi

citra ubah1

3.2 Dilatasi

citra filling

Gambar 3.10 DAD Level 2 Proses Filling

File citra filling


43


5.1 Proyeksi vertikal

histogram vertikal

5.2 Cari indek baris

indek baris

ek ind


File citra-citra baris

a -citr citra

bar

is

b ar

File indek baris

is

5.3 Potong baris citra-citra baris 5.4 Proyeksi horisontal

a itr -c ra cit

citra-citra baris

ba ris

File citra-citra karakter


5.5 Cari indek kolom

5.6 Potong karakter

indek kolom

ind

k ek

ol o

File indek kolom

m

Gambar 3.11 DAD Level 2 Proses Segmentasi DAD level 2 proses Segmentasi (gambar 3.11 di atas) dijabarkan menjadi proses Proyeksi Vertikal, Cari Indek Baris, Potong Baris, Proyeksi Horisontal, Cari Indek Kolom, dan proses Potong Karakter. Proses Proyeksi Vertikal akan menghitung banyaknya piksel hitam yang tegak lurus sumbu y sesuai dengan rumus 2.13. Nilai proyeksi vertikal kemudian dipergunakan dalam proses Cari Indek Baris untuk menemukan indek-indek baris yang akan menjadi acuan untuk membagi citra masukan menjadi baris-baris karakter citra pada proses Potong Baris. Sehingga dari proses Potong Baris akan diperoleh baris-baris citra karakter yang akan disimpan dalam suatu file, serta akan dikirim ke proses Proyeksi Horisontal. Pada Proses Proyeksi Horisontal akan dihitung banyaknya piksel hitam yang tegak lurus sumbu x dengan mempergunakan rumus 2.14. Nilai proyeksi horisontal kemudian


44

dipergunakan dalam proses Cari Indek Kolom untuk menemukan indek-indek kolom setiap baris data yang akan menjadi acuan untuk membagi citra masukan menjadi citra-citra karakter pada proses Potong Karakter. Sehingga hasil akhir dari keseluruhan proses segmentasi adalah citra-citra karakter penyusun citra masukan, yang akan disimpan dalam sebuah file . Penjabaran lebih rinci proses Pengenalan Karakter digambarkan dalam gambar 3.12. Terdapat dua buah proses utama dalam DAD tersebut, yaitu proses Ekstraksi Ciri dan proses Cari Ciri. Proses Ekstraksi Ciri berfungsi untuk menghitung ciri dari citra karakter masukan. Ciri hasil proses Ekstraksi Ciri ini kemudian akan dipergunakan sebagai masukan dalam proses Cari Ciri, untuk menemukan nama latin dari citra karakter masukan.

n


6.1 Ekstraksi ciri - c it r a citra

ciri-ciri karakter

ka r a

kter

i cir

ra ka

a aw rj e kt

a ,n

a m

aam

m na

a

la

6.2 Cari karakter c itr a ka ra it n kte a l

File nama-nama latin

tin

r

ba r

u

Developer


Gambar 3.12 DAD Level 2 Proses Pengenalan Karakter


45

3.2.3 Struktur Program Struktur suatu program adalah hasil pemetaan dari desain diagram aliran data. Tujuan dari pembuatan struktur program ini adalah agar sistem yang nanti dihasilkan akan lebih mudah untuk ditesting, diubah, dan dirawat. Struktur program dari sistem untuk konversi citra dokumen ke teks tediri dari dua bagian, yaitu struktur program Sistem Pembuat Basis Data dan struktur program Sistem Pengenalan Citra Dokumen. Struktur program Sistem Pembuat Basis Data secara garis besar dibagi menjadi tiga modul, seperti ditunjukkan dalam gambar 3.13. Modul baca citra berfungsi untuk membuka file citra karakter Jawa. Modul hitung ciri citra dipergunakan untuk menghitung ciri-ciri citra karakter Jawa, dan kemudian menyimpan ciri dari citra tersebut ke dalam basis data ciri citra karakter. Kemudian modul pasang nama berfungsi untuk memasangkan bunyi pembacaan karakter Jawa yang bersangkutan dalam huruf Latinnya. Sebagai contoh, karakter dipasangkan dengan kata pra.

Sistem Pembuat Basis Data

Olah Data

Buka File

Ekstraksi Ciri

Cari Nama

Cari Ciri

Tambah Data

Gambar 3.13 Struktur Program Sistem Pembuat Basis Data

akan


46

Struktur program Sistem Pembuat Basis Data, seperti ditunjukkan dalam gambar 3.13, secara garis besar dibagi menjadi 2 modul. Modul Olah Data berfungsi untuk mengelola citra karakter Jawa, dan modul Cari Nama berfungsi untuk membantu developer menemukan citra-citra karakter beserta cirinya dengan panduan nama latin dari Karakter Jawa. Modul Olah Data kemudian dibagi lagi menjadi sub modul Buka File, Ekstraksi Ciri, Cari Ciri, dan Tambah Data. Submodul Buka File berfungsi untuk membuka file citra karakter. Submodul Ekstraksi Ciri berfungsi untuk menghitung ciri citra karakter. Submodul Cari Ciri berfungsi untuk mencari citra karakter dalam basis data pustaka berdasarkan ciri dari karakternya. Submodul Tambah Data berfungsi untuk menambahkan data citra ke dalam basis data pustaka. Struktur program Sistem Pengenalan Citra Dokumen, seperti ditunjukkan dalam gambar 3.14,

secara garis besar dibagi menjadi delapan modul. Modul

normalisasi orientasi berfungsi untuk merotasi citra dokumen sebesar sudut kemiringan hasil scanning. Modul binarisasi berfungsi untuk membuat citra asli menjadi citra biner. Citra biner tersebut akan berwujud sebagai matriks yang semua elemennya berupa nilai 0 atau 1. Modul filtering berfungsi untuk mengurangi sebanyak mungkin noise.

Modul thinning akan

berfungsi untuk menghasilkan

kerangka dari setiap bentuk citra karakter Jawa. Hasil dari proses thinning ini kemudian akan dipakai untuk proses segmentasi, yang akan dijalankan oleh modul segmentasi. Modul segmentasi ini berfungsi untuk memisahkan setiap karakter dari karakter yang lain. Dalam modul pengenalan karakter, tiap karakter Jawa yang diperoleh dari modul segmentasi akan dikenali dengan nama Latinnya. Kemudian modul pembentukan kata semua nama-nama Latin yang diperoleh dari modul


47

pengenalan karakter akan dibentuk sebagai kata-kata dalam bahasa Latin juga. Dan terakhir modul tampil hasil akan memberikan user hasil konversi citra dokumen yang diproses. Sistem Konversi Citra ke Teks

normalisasi orientasi

binarisasi

filtering

thinning

segmentasi

pengenalan karakter

pembentukan kata

tampil data

Gambar 3.14. Struktur Program Sistem Pengenalan Citra Dokumen 3.2.4 Desain Antar Muka a. Fitur yang disediakan oleh sistem Pembuat Basis Data adalah: i. Buka File ii. Ekstraksi Ciri iii. Cari Ciri iv. Tambah Data v. Cari Nama b. Fitur yang disediakan oleh sistem Pengenal Citra Dokumen adalah: vi. Normalisasi Orientasi vii. Binarisasi viii. Filling ix. Thinning x. Segmentasi xi. Pengenalan Karakter xii. Pembentukan Kata


48

c. Desain layar Sistem Pembuat Basis Data Buka File

Ekstraksi Ciri

Cari Ciri

Cari Nama

Tambah Data

Keluar

Karakter Jawa: pra Gambar Karakter

Ciri Karakter

Gambar 3.15 Desain Layar Sistem Pembuat Basis Data

Sistem Pengenalan Citra Dokumen

binarisasi

normalisasi orientasi

filtering

INPUT:

Gambar citra masukan

thinning

segmentasi

pengenalan karakter

pembentukan kata

OUTPUT:

Gambar citra keluaran

Gambar 3.16 Disain Layar Sistem Pengenalan Citra Dokumen

Buat BasisData


BAB IV IMPLEMENTASI SISTEM

Implementasi proses-proses dalam diagram aliran data atau modul-modul dalam struktur program dalam tahap perancangan sistem dinyatakan dengan menggunakan bahasa pemrograman Matlab versi 5.0. Secara garis besar implementasi proses dibagi menjadi dua bagian, yaitu bagian untuk membuat basis data karakter Jawa, dan bagian untuk pengenalan citra dokumen. Namun kedua bagian tersebut tidak dapat berdiri sendiri-sendiri, karena bagian untuk mengenal citra dokumen mempergunakan basis data karakter Jawa, sedangkan bagian pembuatan basis data mempergunakan sebagian modul dari bagian pengenalan citra dokumen. 4.1. Antar Muka Pemakai Sistem Antar Muka Pemakai merupakan sarana untuk menghubungkan antara pemakai dengan sistem. 4.1.1 Antar Muka Pemakai Sistem Pembuat Basis Data (SPBD) Tampilan antar muka dari Sistem Pembuat Basis Data (SPBD) digambarkan dalam gambar 4.1. Menu yang terdapat dalam SPBD adalah Buka File, Ekstraksi Ciri, Cari Ciri, Tambah Data, Cari Dengan Nama, Info, dan Keluar. a. Menu Buka File Menu Buka File berfungsi untuk membaca file citra karakter dari direktori data, kemudian menyimpannya ke file KarJawa.mat pada direktori program.

49


b. Menu Ektraksi Ciri Menu Ekstraksi Ciri berfungsi untuk menghitung ciri citra karakter, dan kemudian menyimpannya dalam file.

Gambar 4.1 Tampilan antar muka pemakai Sistem Pembuat Basis Data c. Menu Cari Data Menu Cari Data berguna untuk membantu mencari data citra berdasarkan ciri dari citra. d. Menu Cari Dengan Nama Menu Cari Dengan Nama berguna untuk membantu mencari data citra berdasarkan nama latin dari citra karakter.


e. Menu Tambah Data Menu Tambah Data berfungsi untuk menambahkan data citra ke dalam basis data pustaka karakter Jawa. f. Menu Info Menu Info berfungsi untuk memberikan beberapa informasi mengenai SPBD. g. Menu Keluar Menu Keluar berfungsi untuk keluar dari program. 4.1.2 Antar Muka Pemakai Sistem Pengenal Citra Dokumen(SPCD) Tampilan antar muka dari Sistem Pengenal Citra Dokumen (SPCD) digambarkan dalam gambar 4.2. Menu yang terdapat dalam SPCD adalah Binarisasi, Normalisasi Orientasi, Filling, Thinning, Segmentasi, Pengenalan Karakter, Bentuk Kata, Info, dan Keluar. a. Menu Binarisasi Menu Binarisasi berfungsi untuk mengubah citra dokumen masukan menjadi citra dokumen biner. b. Menu Normalisasi Orientasi Menu Normalisasi Orientasi berfungsi untuk menghitung sudut kemiringan citra dokumen karena proses scanning yang menghasilkan citra yang tidak tegak lurus sumbu vertikal. Kemudian setelah diperoleh besar sudut kemiringan, program akan memutar citra dokumen sebesar sudut kemiringan tersebut. c. Menu Filling Menu Filling berguna untuk memperbaiki citra masukan dari noise.


Gambar 4.2 Tampilan antar muka pemakai Sistem Pengenal Citra Dokumen d. Menu Thinning Menu Thinning berguna untuk membentuk kerangka citra dokumen masukan. e. Menu Segmentasi. Menu Segmentasi berfungsi untuk memisahkan citra dokumen menjadi barisbaris citra, dan kemudian baris-baris citra menjadi citra-citra karakter. f. Menu Pengenalan Karakter Menu Pengenalan Karakter berguna untuk mengenali setiap citra karakter dari citra dokumen. Hasil pengenalan akan berupa deretan nama-nama latin yang sesuai dengan citra-citra karakter Jawa pembentuk citra dokumen.


g. Menu Bentuk Kata Menu Bentuk Kata berguna untuk membentuk kata dari deretan nama-nama latin yang dihasilkan oleh proses Pengenalan Citra. h. Menu Info Menu Info berfungsi untuk memberikan beberapa informasi mengenai SPCD. i. Menu Keluar Menu Keluar berfungsi untuk keluar dari program.

4.2. Implementasi Gambaran dari garis besar modul-modul yang dipergunakan dalam implementasi sistem dapat dilihat kembali di setiap diagram aliran data dalam bab sebelumnya. Berikut ini akan dijabarkan algoritma-algoritma yang dipergunakan dalam sistem pengenalan citra dokumen. 4.2.1 Modul-Modul Utama Sistem Pembuat Basis Data Modul-modul dalam sistem pembuat basis data berfungsi untuk mengelola basis data pustaka karakter Jawa.. Modul-modul dalam sistem ini secara garis besar terbagi dalam dua buah modul sebagai berikut: a. Modul Olah Data Modul untuk proses olah data terdiri dari 4 buah submodul. Submodul yang pertama adalah submodul BukaFile yang dipergunakan membuka file citra karakter masukan. Submodul kedua adalah EkstraksiCiri yang berfungsi untuk menghitung ciri dari citra karakter masukan. Submodul ketiga CariCiri berfungsi untuk mencari data citra karakter berdasarkan ciri citra karakter. Submodul keempat TambahData


dipergunakan untuk menambahkan data citra karakter ke dalam basis data apabila data citra karakter tersebut belum ada. 1.

Submodul BukaFile •

Fungsi: membuka dan menyimpan file citra masukan

•

Input: citra karakter pada direktori data yang dihasilkan oleh SPCD

•

Output: file KarJawa.mat yang berisi citra karakter masukan

•

Algoritma:

2.

1.

Baca nama file dan direktori citra masukan

2.

Buka file citra masukan

3.

Simpan citra masukan dalam file KarJawa.mat

Submodul EkstraksiCiri •

Fungsi: menghitung ciri citra karakter masukan

•

Input: citra karakter yang disimpan dalam file KarJawa.mat

•

Output: file cirikar.mat yang berisi ciri citra karakter masukan

•

Algoritma: 1. Buka file KarJawa.mat 2. Set tinggi = size(KarJawa,1) 3. Set lebar = size(KarJawa,2) 4. Bagi KarJawa menjadi 9 bagian (lihat gambar 2.13). 5. Cari jumlahan piksel yang bernilai 1 di setiap bagian karakter hasil langkah 2. 6. Simpan ciri tersebut menjadi ciri dari karakter yang bersangkutan ke dalam file cirikar.mat.


3.

Submodul CariCiri •

Fungsi: mencari citra karakter berdasarkan ciri karakter

•

Input: nilai threshold, ciri karakter yang disimpan dalam file cirikar.mat, serta file basis data karakter Jawa yang disimpan dalam file ciri.mat.

•

Output: nama latin dan gambar dari citra karakter yang bersangkutan

•

Algoritma: 1. Buka file cirikar.mat 2. Buka file ciri.mat 3. Set JumKar = size(ciri,1), i = 1, terus = 1, ketemu = 0, threshold = 20 4. Masukkan nilai threshold yang baru (jika dikehendaki) 5. Selama i ≤ JumKar dan terus = 1 6. Dengan mempergunakan rumus modifikasi jarak Euclidean, dihitung jarak antara cirikar dengan ciri[i] = jarak 7. Jika jarak ≤ threshold, maka tampilkan nama latin dan gambar dari citra karakter yang bersangkutan 8. Set terus = 0, dan ketemu = i 9. Jika jarak > threshold, tambahkan i dengan 1. 10. Jika i > JumKar, dan ketemu = 0, tampilkan pesan karakter belum ada dalam basis data

4. Submodul TambahData •

Fungsi: menambahkan data citra karakter baru ke basis data pustaka karakter Jawa


•

Input: citra karakter yang disimpan dalam file KarJawa.mat, ciri karakter yang disimpan dalam file cirikar.mat, dan nama latin dari karakter Jawa yang bersangkutan.

•

Output: data citra karakter Jawa

•

Algoritma: 1. Buka file KarJawa.mat 2. Buka file cirikar.mat 3. Buka file ciri.mat 4. Set JumKar = size(ciri,1) 5. Jika JumKar = 1, set i = 1 6. Jika JumKar > 1, set i = JumKar + 1 7. Pada posisi ke i tambahkan data KarJawa, cirikar, dan nama latin yang dimasukkan lewat keyboard 8. Update file ciri.mat

b. Modul Cari Nama •

Fungsi: mencari citra karakter berdasarkan nama latin yang dimasukkan oleh developer

•

Input: file basis data karakter Jawa yang disimpan dalam file ciri.mat, dan nama latin.

•

Output: gambar dan ciri dari dari citra karakter yang sesuai dengan nama yang dimasukkan oleh developer


•

Algoritma: 1. Buka file ciri.mat 2. Tampilkan pesan agar developer memasukkan nama latin dari karakter yang akan dicari = nama 3. Set JumKar = size(ciri,1) 4. Set i = 1, terus = 1, ketemu = 0 5. Selama i ≤ JumKar dan terus = 1 6. Jika ciri[i,1] = nama, maka tampilkan gambar dan ciri dari citra karakter yang bersangkutan. Set terus = 0, dan ketemu = i 7. Jika tidak, tambahkan i dengan 1 8. Jika i > JumKar, dan ketemu = 0, tampilkan pesan karakter dengan nama latin yang dimasukkan developer belum ada dalam basis data

4.2.2 Modul-Modul Utama Sistem Pengenalan Citra Dokumen Modul-modul dalam sistem pengenalan citra dokumen berfungsi untuk mengolah citra dokumen sehingga dihasilkan deretan karakter pembentuk dokumen beserta ciri dari setiap karakter yang diperoleh. Modul-modul dalam sistem ini secara garis besar terbagi dalam delapan buah modul sebagai berikut: a. Modul Proses Normalisasi Orientasi Modul untuk proses normalisasi orientasi terdiri dari 2 buah submodul. Submodul yang pertama adalah submodul CariTeta, yang dipergunakan untuk mencari besar sudut kemiringan (θ) hasil proses scanning citra. Submodul yang


kedua adalah submodul PutarCitra, yang dipergunakan untuk merotasi sudut sebesar (θ) yang dihasilkan oleh submodul CariTeta. 1. Submodul: CariTeta •

Fungsi: menentukan kemiringan hasil scanning citra

•

Input: citra biner hasil proses binarisasi

•

Output: besar sudut penyimpangan (θ)

•

Algoritma: 1. Baca file citra masukan 2. Baca tinggi dan lebar dari file input 3. Cari titik tengah dari citra, yaitu m= ½tinggi dan n = ½lebar 4. Dengan mempergunakan rumus 2.4 dihitung besar m dan n 5. Dengan mempergunakan rumus 2.3 dihitung besar setiap momen

µ p,q , di mana p = 0,1 dan q = 0,1 3. Dengan mempergunakan rumus 2.2 dihitung besar (θ) 2. Submodul PutarCitra •

Fungsi: memutar citra dokumen sebesar θ

•

Input: citra biner hasil proses binarisasi, dan besar sudut θ

•

Output: matriks dari citra dokumen yang telah dirotasi sebesar θ

•

Algoritma: 1. Baca file citra masukan 2. Baca tinggi (t) dan lebar (lb) dari file input 3. Set i = 1 dan j = 1


4. Selama i ≤ t dan j ≤ lb 5. Dengan mempergunakan rumus 2.1 rotasikan semua piksel 6. Naikkan i dan j satu-satu 7. Ulangi langkah 5 sampai i = t dan j = lb b. Modul Proses Binarisasi Modul untuk proses binarisasi juga terdiri dari 2 buah submodul. Submodul yang pertama adalah submodul CariAmbang, yang dipergunakan untuk mencari besar nilai ambang yang akan membagi citra menjadi dua bagian, yaitu apakah bagian dari citra utama atau citra latar belakang. Submodul yang kedua adalah submodul UbahBiner, yang dipergunakan untuk menjalankan proses pengubahan nilai intensitas piksel di setiap titik dengan mempergunakan nilai ambang hasil dari proses CariAmbang. 1. Submodul CariAmbang •

Fungsi: menentukan nilai ambang threshold yang akan berfungsi untuk memisahkan citra utama dengan citra latar belakang

•

Input: citra dokumen (*.jpg)

•

Output: nilai ambang

•

Algoritma: 1. Buka data input 2. Hitung probabilitas semua piksel dengan mempergunakan rumus 2.6 3. Hitung nilai rata-rata momen dengan mempergunakan rumus 2.9 4. Set i=1


5. Hitung momen kumulatif ke nol dari 1 sampai i dengan mempergunakan rumus 2.7 6. Hitung momen kumulatif ke satu dari 1 sampai i dengan mempergunakan rumus 2.8 7. Hitung nilai ambang k dari 1 sampai i dengan mempergunakan rumus 2.11 8. Tambahkan i dengan 1 9. Ulangi langkah 5 sampai dengan 7, sampai i = 256 10. Hitung nilai maksimum ambang dengan mempergunakan rumus 2.10 2. Submodul UbahBiner •

Fungsi: Membuat matriks biner dari citra dokumen dimana nilai 0 menyatakan citra utama, dan 1 menyatakan citra latar belakang

•

Input: citra dokumen (*.jpg) hasil proses scanning, dan nilai ambang threshold

•

Output: matriks biner

•

Algoritma: 1. Mulai dari i=1 sampai dengan tinggi matriks input 2. Mulai dari j=1 sampai dengan lebar matriks input. 3. Dengan mempergunakan rumus 2.5 graylevel pada titik i,j diganti dengan nilai 0 atau 1.


c. Modul Proses Filling Modul untuk proses filling terdiri dari 2 buah submodul. Submodul yang pertama adalah submodul Erosi yang dipergunakan untuk mengurangi ukuran dari daerah obyek, yaitu sebagai akibat adanya piksel-piksel obyek yang berada di daerah latar atau terasing dari piksel obyek yang lain. Submodul yang kedua adalah submodul Dilatasi, yang dipergunakan untuk menambahkan piksel obyek untuk menutup daerah obyek. 1. Submodul Erosi •

Fungsi: mengurangi ukuran dari daerah obyek

•

Input: matriks hasil proses normalisasi orientasi

•

Output: matriks yang bebas dari piksel-piksel obyek yang terasing

•

Algoritma: 1. Set latar = 1 2. Set obyek = 0 3. Mulai dari i=1 sampai dengan tinggi matriks input 4. Mulai dari j=1 sampai dengan lebar matriks input. 5. Apabila i = 1, maka P1 berada di batas kolom paling kanan dari citra, hitung nilai tetangga dari P1 P2 P1 P6

P3 P4 P5

Apabila nilai tetangga = 5, dan piksel P1 adalah obyek, maka piksel P1 diubah menjadi latar.


6. Apabila i = tinggi, maka P1 berada di kolom baris paling kanan dari citra,hitung nilai tetangga dari P1 P5 P4 P3

P6 P1 P2

Apabila nilai tetangga = 5, dan piksel P1 adalah obyek, maka piksel P1 diubah menjadi latar. 7. Apabila j = 1, maka P1 berada di batas baris paling atas dari citra, hitung nilai tetangga dari P1, P6 P5

P1 P4

P2 P3

Apabila nilai tetangga = 5, dan piksel P1 adalah obyek, maka piksel P1 diubah menjadi latar. 8. Apabila j = lebar, maka P1 berada di batas baris paling bawah dari citra, hitung nilai tetangga dari P1, P6 P5

P2 P1

P3 P4

Apabila nilai tetangga = 5, dan piksel P1 adalah obyek, maka piksel P1 diubah menjadi latar. 9. Apabila i ≠ 1 dan i ≠ tinggi, dan apabila j ≠ 1 dan j ≠ lebar, hitung nilai tetangga dari P1, P9 P8 P7

P2 P1 P6

P3 P4 P5

Apabila nilai tetangga = 8, dan piksel P1 adalah obyek, maka piksel P1 diubah menjadi latar


1. Submodul Dilatasi •

Fungsi: mengurangi ukuran dari daerah latar

•

Input: matriks hasil proses erosi

•

Output: matriks yang bebas dari piksel-piksel latar yang terasing

•

Algoritma: 1. Set latar = 1 2. Set obyek = 0 3. Mulai dari i=1 sampai dengan tinggi matriks input 4. Mulai dari j=1 sampai dengan lebar matriks input. 5. Apabila i = 1, maka P1 berada di batas kolom paling kanan dari citra, hitung nilai tetangga dari P1 P2 P1 P6

P3 P4 P5

Apabila nilai tetangga = 0, dan piksel P1 adalah latar, maka piksel P1 diubah menjadi obyek. 6. Apabila i = tinggi, maka P1 berada di kolom baris paling kanan dari citra,hitung nilai tetangga dari P1 P5 P4 P3

P6 P1 P2

Apabila nilai tetangga = 0, dan piksel P1 adalah latar, maka piksel P1 diubah menjadi obyek. 7. Apabila j = 1, maka P1 berada di batas baris paling atas dari citra, hitung nilai tetangga dari P1, P6

P1

P2


P5

P4

P3

Apabila nilai tetangga = 0, dan piksel P1 adalah latar, maka piksel P1 diubah menjadi obyek. 8. Apabila j = lebar, maka P1 berada di batas baris paling bawah dari citra, hitung nilai tetangga dari P1, P6 P5

P2 P1

P3 P4

Apabila nilai tetangga = 5, dan piksel P1 adalah latar, maka piksel P1 diubah menjadi obyek. 9. Apabila i ≠ 1 dan i ≠ tinggi, dan apabila j ≠ 1 dan j ≠ lebar, hitung nilai tetangga dari P1, P9 P8 P7

P2 P1 P6

P3 P4 P5

Apabila nilai tetangga = 8, dan piksel P1 adalah latar, maka piksel P1 diubah menjadi obyek. d. Modul Proses Thinning Modul untuk untuk proses thinning dipergunakan untuk menemukan kerangka dari setiap citra karakter di dalam citra dokumen. Keterangan modul Thinning selengkapnya adalah sebagai berikut: •

Fungsi: Membuat matriks kerangka untuk setiap karakter dalam citra dokumen

•

Input: matriks yang sudah menjalani proses penghilangan noise

•

Output: matriks kerangka dari citra dokumen


•

Algoritma: 1. Mulai dari i=1 sampai dengan tinggi matriks input 2. Mulai dari j=1 sampai dengan lebar matriks input. 3. Dengan mempergunakan algoritma Hilditch, periksa apakah titik dalam citra yang ditemukan memenuhi keempat kondisi hilditch. Jika ya maka titik tersebut harus diubah menjadi titik latar. 4. Ulangi langkah 4 sampai semua titik sudah diperiksa.

e. Modul Proses Segmentasi Modul untuk proses segmentasi binarisasi terdiri dari enam buah submodul. Submodul yang pertama adalah submodul ProyeksiVertikal, yang dipergunakan untuk mencari histogram baris dari citra dokumen. Histogram baris ini kemudian akan dipakai untuk proses pencarian indek baris dari setiap baris kalimat dari citra dokumen, seperti tertuang dalam submodul CariIndekBaris. Indek baris ini berisi keterangan awal dan akhir indek setiap baris kalimat. Indeks baris tersebut kemudian dipergunakan oleh submodul PotongBaris untuk mendapatkan baris-baris citra pembentuk

citra

dokumen.

Kemudian

dengan

mempergunakan

submodul

ProyeksiHorisonal dicari histogram kolom dari setiap baris citra yang ditemukan. Setelah histogram kolom untuk setiap baris kalimat diperoleh, maka kemudian dicari indek kolom untuk setiap baris citra seperti tertuang dalam submodul CariIndekKolom. Proses pemisahan karakter dari karakter yang lain kemudian dilakukan dalam submodul PotongKarakter.


1. Submodul ProyeksiVertikal •

Fungsi: Membuat profil proyeksi vertikal dari citra

•

Input: matriks yang sudah menjalani proses pengerangkaan

•

Output: matriks histogram vertikal

•

Algoritma: 1. Set k = tinggi matriks output = i 2. Inisialisasi matriks output hisver dengan [0] 3. Mulai dari i=1 sampai dengan tinggi matriks input 4. Mulai dari j=1 sampai dengan lebar matriks input. 5. Cari jumlahan piksel yang bernilai 1 pada setiap i

2. Submodul CariIndekBaris •

Fungsi: mencari indek baris-baris citra teks

•

Input: histogram baris hasil proses profil proyeksi vertikal (hisver)

•

Output: indeks koordinat batas atas dan batas bawah dari setiap baris kalimat dari citra dokumen

•

Algoritma: 1. Set t=tinggi matriks input, j = 0 2. Mulai dari i=1 sampai dengan t 3. Set indeks = [0 0] 4. Jika his(i) ≠ 0, maka naikkan j dengan 1, dan catat i sebagai indeks (j,1) 5. Tambahkan i dengan 1 6. Selama his(i) ≠ 0, naikkan i dengan 1.


7. Jika his(i) = 0, catat i-1 dalam indeks (j,2) 8. Tambahkan i dengan 1 9. Ulangi langkah (3) – (7) sampai i = t 3. Submodul PotongBaris •

Fungsi: membagi citra dokumen ke dalam baris-baris teks

•

Input: file indek baris yang disimpan dalam file indekbaris, dan file hasil proses thinning thin.mat

•

Output: baris-baris citra dokumen yang disimpan dalam file baris.mat

•

Algoritma: 1. Buka file indekbaris 2. Buka file thin.mat 3. Set t=tinggi matriks indekbaris 4. Mulai dari i = 1 sampai dengan t 5. Ambil thin(indekbaris[ i , 1 ]: indekbaris[i , 2], ) 6. Simpan dalam file baris.mat

4. Submodul ProyeksiHorisontal •

Fungsi: Membuat profil proyeksi horisontal dari citra baris-baris teks

•

Input:

indeks

hasil

proses

Baris

(indeks),

pengerangkaan (thin) •

Output: matriks histogram horizontal (hishor)

•

Algoritma: 1. Set k = tinggi matriks indeks, dan u = 0 2. Inisialisasi matriks output dengan hishor = [0]

dan

matriks

hasil


3. Mulai dari i=1 sampai dengan k 4. Set baris[i] =thin[indeks[i,1]:indeks[i,2],:] 5. Mulai dari j=1 sampai dengan lebar matriks baris[i] 6. Mulai dari z=1 sampai dengan tinggi matriks baris[i] 7. Cari jumlahan piksel yang bernilai 1 pada setiap baris[i] di posisi lebar tinggi z = jumpik.

Naikkan u dengan 1. Catat jumpik di

hishor[u] 8. Ulangi langkah 12 sampai j = lebar matriks baris[i] 9. Ulangi langkah 9 sampai dengan 13 sampai i = k 5. Submodul CariIndekKolom •

Fungsi: mencari indek kolom-kolom citra teks

•

Input: histogram baris hasil proses profil proyeksi horisontal (hishor)

•

Output: indeks koordinat batas kiri dan batas kanan dari setiap citra karakter dari setiap baris citra

•

Algoritma: 1. Set t=tinggi matriks input, j = 0 2. Mulai dari i=1 sampai dengan t 3. Set indeks = [0 0] 4. Jika his(i) ≠ 0, maka naikkan j dengan 1, dan catat i sebagai indeks (j,1) 5. Tambahkan i dengan 1 6. Selama his(i) ≠ 0, naikkan i dengan 1. 7. Jika his(i) = 0, catat i-1 dalam indeks (j,2)


8. Tambahkan i dengan 1 9. Ulangi langkah (3) – (7) sampai i = t 6. Submodul PotongKarakter •

Fungsi: membuat batas-batas citra karakter

•

Input: indek kolom hasil proses submodul CariIndekKolom, dan barisbaris citra karakter yang tersimpan dalam file baris.mat.

•

Output: citra-citra karakter yang kemudian disimpan dalam file dokumen.mat

•

Algoritma: 1. Buka file indek kolom 2. Set t=tinggi matriks indek kolom 3. Buka file baris 4. Mulai dari i = 1 sampai dengan t 5. Ambil citrakarakter = baris( : , indekkolom[ i , 1 ]: indekkolom[i , 2] ) dan kemudian simpan dalam file dokumen.mat 6. Tambahkan i dengan 1

f. Modul Proses Pengenalan Karakter Modul untuk proses pengenalan karakter terdiri dari 2 buah submodul. Submodul yang pertama adalah submodul untuk melakukan ekstraksi ciri, yaitu submodul EkstraksiCiri. Submodul ini akan menghitung ciri dari karakter yang akan dikenali, di mana keterangan selengkapnya dapat dilihat pada submodul EkstraksiCiri pada Sistem Pembuat Basis Data. Setelah ciri dari karakter ditemukan,


maka langkah berikutnya adalah mencocokkan ciri tersebut dengan setiap ciri yang terdapat dalam basis data karakter Jawa (karakter template). Modul untuk proses pencarian karakter ini tertuang dalam modul CariKarakter. 1. Submodul CariKarakter •

Fungsi: mencari nama dari karakter yang dimasukkan

•

Input: matriks citra karakter (kar), database karakter (template)

•

Output: nama latin dari karakter masukan atau pesan bahwa karakter tidak ada

•

Algoritma: 1. Masukkan karakter yang akan dicari namanya = kar 2. Cari ciri dari karakter kar dengan mempergunakan modul cariciri, simpan dalam cirikar 3. Set i = 1 4. Hitung beda antara cirikar dengan ciri dalam template (ciritemp), yaitu jumlahan harga mutlak dari selisih cirikar dengan ciritemp[i]. 5. Jika beda <= 20, tampilkan nama latin dari database, dan proses selesai 6. Jika beda > 20, tambah i dengan 1. 7. Lanjutkan langkah 4 - 6 sampai i = tinggi matrisk database karakter 8. Jika sampai langkah 7 tidak ditemukan karakter yang sesuai, tampilkan pesan bahwa tidak ada karakter tersebut dalam database. Sarankan untuk menyimpan karakter tersebut ke dalam database.


g. Modul Pembentukan Kata Modul untuk untuk proses pembentukan kata dipergunakan untuk menyusun setiap nama latin yang diperoleh dari proses pengenalan karakter. Keterangan modul PembentukanKata.m selengkapnya adalah sebagai berikut:. •

Fungsi: Membuat matriks deretan nama latin

•

Input: matriks nama-nama latin

•

Output: matriks kata

•

Algoritma: 1. Mulai dari i=1 sampai dengan tinggi matriks input 2. Mulai dari j=1 sampai dengan lebar matriks input. 3. Sambungkan j karakter yang ada 4. Ulangi langkah 2-3 sampai i = tinggi matriks input.

h. Modul Tampil Data Modul untuk proses tampil data dipergunakan untuk menampilkan hasil output pengenalan citra dokumen kepada user. Keterangan modul TampilData.m selengkapnya adalah sebagai berikut:. •

Fungsi: menampilkan hasil akhir proses pengenalan citra dokumen

•

Input: matriks kata

•

Output: matriks kata

•

Algoritma: 1. Mulai dari i=1 sampai dengan tinggi matriks input 2. Tampilkan isi matriks kata[i] 3. Ulangi langkah 2 sampai i = tinggi matriks input.


BAB V HASIL DAN PEMBAHASAN 5.1. Data Masukan Data masukan untuk pengujian diambil dari buku sastra jawa “Menak Sorangan I” dan “Panji Sekar”, pada halaman 3, dan 4. Alasan dipilihnya buku-buku tersebut karena ketebalan buku relatif tipis sehingga memudahkan untuk proses mengambilan data dengan scanner. Alasan lain adalah buku tersebut walaupun relatif kuno, yaitu cetakan pada tahun 1933 dan 1936, tetapi relatif masih baik kualitas kertasnya. Karakteristik data masukan selengkapnya dapat dilihat dalam tabel 5.1, dan contoh gambar dari citra dokumen masukan dapat dilihat pada gambar 5.1. Tabel 5.1. Karakteristik File Masukan No

Nama Dokumen

Ukuran Citra baris dan kolom

Besar File (byte)

1

Menak Sorangan hal. 3

2208 vs 1502

493056

2

Menak Sorangan hal. 4

2312 vs 1520

3514240

3

Panji Sekar hal. 3

2323 vs 1496

3475208

4

Panji Sekar hal. 4

2307 vs 1505

3472035

5.2. Eksekusi Modul-Modul Setelah data masukan diperoleh maka selanjutnya dilakukan berbagai proses pengolahan tingkat piksel atau biasa disebut preprocessing, dengan tujuan untuk mendapatkan citra-citra karakter yang menyusun citra dokumen. Tahap pengolahan tingkat piksel yang pertama adalah proses binarisasi. Dari hasil eksekusi untuk data ke 1 diperoleh nilai ambang sebesar 143. Artinya semua

72


73

piksel dengan intensitas warna kurang dari atau sama dengan 143 diganti dengan nilai 0 dan sebaliknya diganti dengan nilai 1 (lihat gambar 5.2). Gambar 5.3. menampilkan hasil proses normalisasi orientasi untuk data ke 1. Dalam proses ini diperoleh besar sudut kemiringan θ sebesar 0.537815, sehingga citra hasil proses binarisasi harus dirotasi dulu sebesar 0.537815.

Gambar 5.1. Contoh Citra Dokumen Menak Sorangan halaman 3 (data ke 1)


74

Gambar 5.2. Contoh Tampilan Citra Hasil Proses Binarisasi


75

Gambar 5.3. Contoh Tampilan Citra Hasil Normalisasi Orientasi


76

Gambar 5.4 menggambarkan cuplikan hasil eksekusi proses thinning. Pada gambar 5.4 terlihat bahwa hasil thinning menunjukkan tingkat pembuatan kerangka huruf yang bisa dikatakan baik.

Gambar 5.4. Contoh Tampilan Hasil Proses Thinning Proses segmentasi dimulai dengan membuat histogram baris dengan tujuan untuk mendapatkan batas-batas indek pemotongan baris-baris teks. Gambar 5.5. menggambarkan contoh histogram dengan batas indek untuk pemotongan pada suatu cuplikan citra dokumen.

Batas-batas indeks baris

Gambar 5.5. Cuplikan histogram hasil proses profil proyeksi vertikal


77

Setelah setiap baris teks dapat dipisahkan, proses segmentasi dilanjutkan dengan membuat histogram kolom untuk setiap baris teks. Terlihat dalam contoh gambar 5.6. bahwa hasil histogram menunjukkan kemudahan untuk proses pemisahan karakter, yaitu dengan mengambil titik-titik dalam histogram yang tidak bernilai 0, sementara nilai 0 dipergunakan untuk nilai pemisah antar karakter.

Batas indeks karakter

Gambar 5.6. Cuplikan histogram hasil proses profil proyeksi horisontal Setelah proses profil proyeksi horisontal selesai, maka proses selanjutnya mempergunakan hasil proses tersebut untuk memperoleh citra setiap karakter dari citra dokumennya. Gambar 5.7 memperlihatkan sebagian citra karakter yang dihasilkan proses segmentasi.

Gambar 5.7. Contoh citra karakter hasil akhir proses segmentasi


78

Setelah citra setiap karakter dalam citra dokumen diperoleh, maka kemudian dapat dilakukan baik proses pembuatan basis data karakter Jawa maupun proses pengenalan karakter. Tabel 5.2

di bawah ini merupakan hasil akhir proses

pengenalan karakter untuk data ke 1 dari karakter-karakter yang dihasilkan oleh proses segmentasi. Dalam tabel tersebut diperlihatkan deretan nama latin yang menjadi nama dari setiap karakter yang ditemukan. Tabel 5.2. Hasil Proses Pengenalan Karakter Dokumen Menak Sorangan I halaman 3 1 : adeg2 adeg2 pra ju ri t ka la taling ka tarung dra t ca ma pu h ka li ya na pra ju ri t ku par ma n PadaLingsa PadaMadya Dur ma PadaMadya ra ja sa la sa la ha nga ta ga1 ga2 pra ju ri t ti ra PadaLingsa ra tu ing Ta m bang ti mi s si ra ra ja ya l ya l mang sa h ni ti h taling mang tarung pe tha k mang la ga si ke taling p pe bin di PadaLingsa prap ta pa yu dan su sum bar ngu su h tan ding PadaLungsi PadaMadya me taling ta tarung n na na pa taling ya ku par mban sa par sa ha nge ma

pra ju ri t

sa si PadaLingsa hi ki PadaLingsa sa sa g gen na PadaLingsa han de la ing Ka la taling ka PadaLingsa dra t pa yu tan be ta h mi yar si PadaLingsa ya mit ma nem bah PadaLingsa sang ra ja ja Ba la sa hir PadaLungsi PadaMadya wu sa i ngi taling da na ing gus ti Ta sang su l nga la m mang sah pa ha na taling ha s thi PadaLingsa pa si ke p pan ga da PadaLingsa pra p ta ha yu na ha yun na n sa sa : ha ran mu pra juri t kang me tu ing pra PadaLingsa sun raja ja Ba lasa hir PadaLungsi PadaMadya ing mi Na ba n ku tha ning su n kang mi taling nang tarung ka PadaLingsa han de la ing Bu ru da ngi n ba li ka sira sa sa PadaLingsa pra ju rit Ka la taling ka tarung dra t ing su n ra tu Tam bang hi mi s sun ra ja ma l ya la1 la2 taling ha h pa taling ya

ja Ba


79

la1 tarung sa hir PadaLungsi PadaMadya ha ku dhung nga sa ri sa sa n mu taling ba tarung n ba ba ma tarung taling dan yit na ing sun bin di PadaLingsa sang ra ja mi Na ha n ku dhung pa ri taling sa sa sa ja PadaLingsa ra ja ya1 da l yal mu ter bin di PadaLingsa su rak gu me rah PadaLingsa tu me ma1 ma2 puh pu nang bin di PadaLungsi PadaMadya kad ya ge la1 ma2 p tu me ma puh ingpa ri s waja PadaLingsa has ta ni ra ta taling na ha tarung si k sa ra taling jang mi Na adeg2 adeg2 te te dha k a na sa king bu ku se ra t tan ta nga na ing kang taling mi ma pe taling n wa n te na ing L ma2 i d tarung : h ma2 sa ma2PadaLingsa v na : tarung PadaLingsa t na i tarung h PadaLingsa b i o t h na tarung k PadaLungsi

Nama-nama latin yang muncul dalam proses pengenalan karakter sebelumnya telah terdapat dalam database karakter Jawa yang dibangun oleh sistem pembuat basis data. Jika sistem menemukan karakter baru yaitu karakter yang belum terdapat dalam basis data karakter Jawa, maka sistem akan menyimpan karakter baru tersebut untuk kemudian diproses oleh developer. Selain nama latin, dalam basis data karakter Jawa juga disimpan ciri dari setiap karakter dan matriks citra dari setiap karakternya. Tabel 5.3. memperlihatkan contoh sebagian karakter yang disimpan dalam database karakter Jawa. Tabel 5.3. Contoh sebagian karakter dalam database karakter Jawa No.Urut

Nama Latin

1

1

2

:

Matriks Ciri 21 23 16 8 13 5 4 6 5 0 8 6

24 8 7 4 0 0

Gambar Karakter


80

No.Urut

Nama Latin

Matriks Ciri 4 13 14 19 4 12 15 15 0

3

4

pra

36 27 32

23 23 24

40 28 35

5

'ju

52 52 41 0 0 50 0 24 24

6

'ri'

5 22 16 19 30 26 0 19 17

7

't ka'

8

'la'

9

'taling'

10

'tarung'

11

'dra'

48 34 31 17 19 9

51 25 27 18 30 40 14 17 8 14 15 16

22 2 0

23 23 1 19 9 7

11 5 5 2 7 3 7 7 5 40 49 34 24 5 27 29 24 35 61 20 26 17 12 11

56 34 27 14 16 16

27 10 48 19 14 13

12

't ca'

13

'ma'

14

'pu'

16 20 49 0 0 51 0 24 26

15

'h '

12 13 16 10 11 0 4 14 0

Gambar Karakter


81

No.Urut

Nama Latin

16

'ka'

17

'li'

18

'ya'

19

'na'

20

'pra'

Matriks Ciri 18 19 30 25 11 17 7 6 8 0 23 22 15 25 22 29 26 39 18 15 23

18 17 18

18 18 16

20 9 22 21 19 9 4 0 7 30 26 48 24 0 26 24 24 32

'ju'

61 58 35 0 7 47 0 30 18

22

'ri'

9 20 18 24 36 22 0 12 18

23

't ku'

62 56 30 50 56 54 0 17 36

21

24

'par'

25

'ma'

26

'n'

27

'.'

0 17 34 19 15 10 67 8 19 6 0 0

9 18 0 18 24 14 15 21 12 18 18 10 40 39 2 36 27 26 3 0 7 3 0 6

Gambar Karakter


82

Seperti telah diuraikan dalam bab sebelumnya, proses di dalam sistem pembuat basis data mempergunakan modul-modul yang terdapat dalam sistem pengenalan karakter. Modul utama yang dipergunakan adalah modul untuk ekstraksi ciri dan pencarian karakter. Dan masukan dalam sistem ini adalah ciri dari karakter beserta karakter itu sendiri. Maka rekod-rekod penyusun database karakter Jawa sangat tergantung pada proses pengenalan karakter. Pada tabel 5.2 terlihat bahwa proses pengenalan karakter akan menghasilkan nama-nama latin untuk setiap citra karakter dalam citra dokumen. Nama yang diberikan adalah benar-benar nama latin yang sesuai dengan kaidah karakter Jawa, dan belum diproses sesuai aturan pembacaan karakter Jawa. Sebagai contoh deretan

citra karakter yang sesuai dengan

akan dikenali dengan nama

taling ka tarung. Sistem pengenalan citra dokumen yang dibangun dalam penelitian ini mencoba untuk membuat proses pembentukan kata, walaupun masih sebatas menghilangkan tanda-tanda baca seperti taling dan tarung. Sebagai contoh apabila ditemukan string taling ka tarung, maka string itu akan diubah menjadi ko. Tabel 5.4 di bawah ini memperlihatkan hasil dari proses pembentukan kata dari nama-nama latin yang terdapat dalam tabel 5.2 di atas. Tabel 5.4. Hasil Proses Pembentukan Kata 1 : pra ju ri t ka la ka dra t ca ma pu h ka li ya na pra ju ri t ku par ma n , Dur ma ra ja sa la sa la ha nga ta ga pra ju ri t ti ra , ra tu ing Ta m bang ti mi s si ra ra ja ya l ya l mang sa h ni ti h mong pe tha k mang la ga si ke taling p pe bin di ,prap ta pa yu dan su sum bar


83

ngu su h tan ding . me to n na na pa ye

pra ju ri t ku par mban sa par sa ha nge ma

sa si , hi ki , sa sa g gen na , han de la ing Ka la ke , dra t pa yu tan be ta h mi yar si , ya mit ma nem bah , sang ra ja ja Ba la sa hir . wu sa i ngi de na ing gus ti Ta sang su l nga la m mang sah pa ha na e s thi , pa si ke p pan ga da , pra p ta ha yu na ha yun na n sa sa : ha ran mu pra juri t kang me tu ing pra , sun raja ja Ba lasa hir . ing mi Na ba n ku tha ning su n kang mi nong ka , han de la ing Bu ru da ngi n ba li ka sira sa sa , pra ju rit Ka la ko dra t ing su n ra tu Tam bang hi mi s sun ra ja ma l ya la1 la2 e h pa ye . ha

ja Ba la1 tarung sa hir

ku dhung nga sa ri sa sa n mu bon ba ba ma tarung de n yit na ing sun bin di , sang ra ja mi Na ha n ku dhung pa ri se sa sa ja ,ra ja ya1 da l yal mu ter bin di , su rak gu me rah , tu me ma1 ma2 puh pu nang bin di . kad ya ge la1 ma2 p tu me ma puh ing pa ri s wa ja , has ta ni ra ta n o si k sa ra jeng mi Na te te dha k a na sa king bu ku se ra t tan ta nga na ing kang taling mi ma pe taling n wa n te na ing L ma2 i d tarung : h ma2 sa ma2. v na : tarung . t na i tarung h . b

i o t h na tarung k .

5.3. Analisis Output Pengenalan Karakter Dari data citra dokumen ke 1 seperti terlihat pada gambar 5.1, dan data citra dokumen ke 2 pada gambar 5.8 diperoleh hasil output pengenalan karakter seperti terlihat dalam tabel 5.2 untuk data ke 1, memperlihatkan bahwa tidak semua karakter


84

Gambar 5.8 Isi citra dokumen Menak Sorangan I Halaman 4


85

dari citra dokumen dikenali secara benar. Tabel 5.5. menuliskan kembali tabel 5.2 namun disertai tanda di mana saja karakter yang dikenali secara salah. Tabel 5.6 memperlihatkan hasil pengenalan karakter data ke 2 yang disertai tanda di mana saja karakter yang dikenali secara salah. Tabel 5.5 Tabel Karakter Dikenali Dokumen Menak Sorangan I Halaman 3 Baris

Karakter Dikenali

1

1 : adeg2 adeg2 pra ju ri t ka la taling ka tarung dra t ca ma pu h ka

2

li ya na pra ju ri t ku par ma n PadaLingsa

3

PadaMadya Dur ma PadaMadya ra ja sa la sa la ha nga ta ga1 ga2 pra ju ri t ti ra PadaLingsa ra tu

4

ing Ta m bang ti mi s si ra ra ja ya l ya l mang sa h ni ti h taling mang tarung pe tha k

5

mang la ga si ke taling p pe bin di PadaLingsa prap ta pa yu dan su sum bar ngu su h tan ding PadaLungsi

6

PadaMadya me taling ta tarung n na na pa taling ya ri t ku par man sa par sa ha nge ma

7

sa si PadaLingsa hi ki sa sa g gen na PadaLingsa han de la ing Ka la taling ka PadaLingsa dra t pa yu

8

tan be ta h mi yar si PadaLingsa ya mit ma nem bah PadaLingsa sang ra ja ja Ba la sa hir PadaLungsi PadaMadya

9

wu sa i ngi taling da na ing gus ti Ta sang su l nga la m mang sah pa ha na taling ha s thi PadaLingsa

10

pa si ke p pan ga da PadaLingsa pra p ta ha yu na ha yun na n sa sa : ha ran mu pra

11

juri t kang me tu ing pra PadaLingsa sun raja ja Ba lasa hir PadaLungsi PadaMadya ing mi

12

Na ba n ku tha ning su n kang mi taling nang tarung ka PadaLingsa han de la ing Bu ru da ngi n ba li

13

ka sira sa sa PadaLingsa pra ju rit Ka la taling ka tarung dra t ing su n ra tu Tam bang hi

14

mi s sun ra ja ma l ya la1 la2 taling ha h pa taling ya Ba la1 tarung sa hir PadaLungsi PadaMadya ha

pra ju

ja


86

15

ku dhung nga sa ri sa sa n mu taling ba tarung n ba ba ma tarung taling dan yit na ing sun bin di PadaLingsa sang ra

16

ja mi Na ha n ku dhung pa ri taling sa sa sa ja ,ra ja ya1 da l yal mu ter bin di PadaLingsa

17

su rak gu me rah PadaLingsa tu me ma1 ma2 puh pu nang bin di PadaLungsi PadaMadya kad ya ge la1 ma2 p tu me

18

ma puh ingpa ri s waja PadaLungsi has ta ni ra ta taling na ha tarung si k sa ra taling jang mi Na

19

adeg2 adeg2 te te dha k a na sa king bu ku se ra t tan ta nga na ing kang taling mi ma pe taling n wa n te na ing L ma2 i d tarung : h ma2

20

sa ma2. v na : tarung . t na i tarung h . b tarung k PadaLungsi

i o t h na

Tabel 5.6 Tabel Karakter Dikenali Dokumen Menak Sorangan I Halaman 4 Baris

Karakter Dikenali

1

4

2

ban ra ja Sa lasal ta tannya PadaLingsa taling hah Bakti yar sa pa hi bi PadaLingsa si gra

3

tur semba PadaLingsa PadaLingsa pra ju ri talingtta nar pa1 pa2 ti PadaLingsa PadaMadya ba la1 la2 ni su na Sang pra bu

4

Ta sang wul nga lam na ma pun ja Ba la sa hir err ki tha tha err na mi Na tan err

5

tarung tu hande la pu ni ka err ta tha ta ha ngu wi sa si ka1 ka2r di PadaLingsa pa gu kang ha

6

prang err ra taling ma bindi bi nindi PadaLungsi PadaMadya ka ga1 ra ga2 pa err ttan ka ha1 ha tarung taling ra tarung

7

ggan ra ja yalyal n err err na da wanti santi err nga ta na hi ngang taling ga1 ga2 : sapn err

8

lumrah pra ju ritti tarung err si na taling tang rum Bu ru da ngin la ngu na ha yu da err

9

taling yan was bindi ti da errndi PadaLingsa PadaMadya ngu :lya mi ga1ndha tarung ga da taling na ka1 tarungdya ki err tir

10

ran ti ta taling na ga da si ji PadaLingsa pa sa na err sa nap sat ga1 ka talingthar par


87

11

ra ja n palyal ku wur bi ngung ing sa nang bis ku pat tur bi sa PadaLingsa sang pra

12

bu ja Ba la Sa hir : PadaLungsi PadaMadya san kapple sa yap ri sa sa talingnna ra jayalyal

13

si rah taling ta tarung ke2 na bindi PadaLingsa ku satting par ha2 da PadaLingsa na pa2 pan ma sa talingnna pe ja PadaLingsa PadaLingsa

14

su ra talingkka gu mu ruh err ya tri err bang taling ka taling na malyal ta taling mar tarung si ma

15

la na Si ti PadaLingsa PadaMadya sa mi taling ta ra ma pra ju ri ta ing ka ya1 PadaLingsa : taling ka tarung

16

Prangt pa ya1 hu2 ke li pat runtik prapta sa ti : ka ga1 err par gi : ta

17

yu err ma2 err ha yunnan sa sa ta ranmu pra ju rit sa taling tanni ga1 dalyal

18

sun ra ja ma2 ja2 Ba la Sa tarung ya PadaLingsa PadaMadya si ra sa sa su ma hur su napa ti : ka

19

l Ka err : ga2 err err ha da taling na ha ling ma Ba la sa hir PadaLingsa hi ga1 ma2 ma2 ta sa : ya1 ha2 na PadaLingsa ing ti

20

pang ga da ning mar err pa rak ti ti : hanni taling ra ki err pe taling ra tarungdki ne tab

21

te sa puh tindi ti nindi PadaLingsa PadaMadya ga ja PadaLingsa kang geggapyu ka pi ne taling ra err

22

da err hing2 wa rak ga ha1 PadaLingsa 1 dhing taling nga err manyjing err sa sa lang1 ma2 nging pa rak su ru

23

manyjing tarung ha2ndhemman kang ni tih tindi bi nindi PadaLingsa kang ti ni ti err tan

Dari hasil pengenalan karakter tabel 5.5 untuk data ke 1 diperoleh tabel data analisis output pengenalan citra karakter sebagai berikut:


88

Tabel 5.7 Analisis Output Pengenalan Citra Dokumen Menak Sorangan I Hal. 3 Tambahan Karakter Karakter Baris Karakter Dikenali Benar Salah Beda spasi lain 1 18 18 18 0 0 No

Jumlah Karakter Citra Dokumen

2

11

12

11

0

1

1

3

22

23

22

0

1

4

25

25

25

0

0

5

26

27

25

1

1

6

24

24

23

1

0

1

7

23

27

20

3

4

2

8 9

25 26

25 26

24 25

1 1

0 0

10

23

24

21

2

1

11

21

21

20

1

0

12

24

30

24

0

6

6

13

23

27

21

2

4

1

14

23

25

20

3

2

15

26

28

22

4

2

16

24

25

21

3

1

17

24

26

23

1

2

18

26

27

25

1

1

19

26

26

20

6

0

20

25

26

11

14

1

1

Total

465

492

421

44

27

1

1

Keterangan

Bertambah 1 spasi dibelakang 1 Ada 1 karakter dikenali sebagai 2 karakter Bertambah 1 spasi dibelakang 1 Ada 1 karakter dikenali sebagai 2 karakter Bertambah 1 spasi dibelakang Bertambah 2 spasi dibelakang dan ada 1 2 karakter dikenali sebagai 2 karakter sebanyak 2

1 Ada 1 karakter dikenali sebagai 2 karakter

2

Bertambah 6 spasi dibelakang Bertambah 1 spasi dibelakang Ada 1 karakter dikenali 2 sebagai 2 karakter sebanyak 2 Bertambah 2 spasi dibelakang 1 Ada 1 karakter dikenali sebagai 2 karakter Ada 1 karakter dikenali 2 sebagai 2 karakter sebanyak 2 1 Ada 1 karakter dikenali sebagai 2 karakter Karakter salah besar karena ada 5 karakter latin Bertambah 1 spasi dibelakang. Karakter salah besar karena semua karakter latin 11


89

Dari hasil analisis dalam tabel 5.7, maka diperoleh bahwa dari 465 karakter dalam citra dokumen, dengan sistem pengenalan citra dokumen diperoleh 421 karakter yang dikenali secara benar. Sehingga dari hasil tersebut dapat dihitung prosentase derajat keberhasilan pengenalan citra yaitu sebesar (421 / 465) x 100%, yang akan bernilai 90.54%. Dari hasil pengenalan karakter tabel 5.6 untuk data ke 2 diperoleh tabel data analisis output pengenalan citra karakter sebagai berikut: Tabel 5.8 Analisis Output Pengenalan Citra Dokumen Menak Sorangan I Hal. 4 No

Tambahan Karakter Karakter Beda spasi lain 0 0 0


Baris Karakter Dikenali Benar Salah 1 2 3

1 24 23

1 24 23

1 23 22

0 1 1

4

23

25

21

2

2

5

24

25

21

3

1

6

26

26

21

5

0

7

25

27

20

5

2

8

25

27

23

2

2

1

9

24

29

21

3

5

2

10

24

25

18

6

1

11

22

23

17

5

1

12

24

25

21

3

1

13

27

30

18

9

3

Keterangan

Ada 2 karakter masing2 masing dikenali sebagai 2 karakter 1 Ada 1 karakter dikenali sebagai 2 karakter

2

Ada 2 karakter masing2 masing dikenali sebagai 2 karakter Bertambah 1 spasi dibelakang dan ada 1 1 karakter dikenali sebagai 2 karakter Bertambah 2 spasi dan ada 2 karakter dikenali 2 masing-masing dikenali sebagai 2 karakter 1 Ada 1 karakter dikenali sebagai 2 karakter Ada 1 karakter dikenali 1 sebagai 2 karakter Ada 1 karakter dikenali 1 sebagai 2 karakter Bertambah 2 spasi dibelakang dan ada 1 1 karakter dikenali sebagai 2 karakter


90

Tambahan Karakter Karakter Baris Karakter Dikenali Benar Salah Beda spasi lain No


14

25

27

20

5

2

15

22

23

20

2

1

1

16

22

23

14

8

1

1

17

22

25

17

5

3

2

18

23

24

20

3

1

1

19

24

31

16

8

5

3

20

25

26

22

4

1

1

21

24

24

19

5

0

22

24

27

19

5

3

1

23

23

24

20

3

1

1

Total

526

562

434

92

36

1

Keterangan

Ada 2 karakter masing2 masing dikenali sebagai 2 karakter Bertambah 1 spasi dibelakang Bertambah 1 spasi dibelakang Bertambah 1 spasi dibelakang dan ada 1 1 karakter dikenali sebagai 2 karakter Bertambah 1 spasi dibelakang Bertambah 2 spasi, dan Ada 2 karakter dikenali 2 masing-masing sebagai 2 karakter Bertambah 1 spasi dibelakang Bertambah 1 spasi dibelakang dan ada 2 2 karakter masing-masing dikenali sebagai 2 karakter Bertambah 1 spasi dibelakang 11

Dari hasil analisis tabel 5.7 diperoleh data bahwa dari 526 karakter dalam data masukan ke 2 terdapat 434 karakter yang dikenali secara benar. Sehingga dari hasil tersebut dapat dihitung prosentase derajat keberhasilan pengenalan citra dokumen yaitu sebesar (434 / 526) x 100%, yang akan bernilai 82.51%. Cara-cara analisis pada hasil output dari pengenalan citra dokumen buku sastra Jawa Menak Sorangan I tadi kemudian diterapkan pada analisis hasil output citra dokumen dari buku sastra Jawa Panji Sekar (lihat lampiran 3). Sehingga secara keseluruhan dapat diperoleh rangkuman hasil analisis output program untuk pengenalan citra dokumen sebagai berikut:


91

Tabel 5.9. Rangkuman Hasil Analisis Output Program Jumlah Karakter

Nama Dokumen

Prosentase

Citra

Dikenali

Benar

Keberhasilan

Menak Sorangan I Halaman 3

465

492

421

90.54

Menak Sorangan I Halaman 4

526

562

434

82.51

Panji Sekar Halaman 3

477

509

345

72.33

Panji Sekar Halaman 4

538

577

429

79.74

Rata-rata Prosentase Keberhasilan

81.28

Maka dari hasil analisis data dapat diperoleh rata-rata keberhasilan proses pengenalan citra dokumen pada buku sastra Jawa Menak Sorangan I dan Panji Sekar sebesar 81.28%. Nilai prosentase derajat keberhasilan ini menggambarkan bahwa pemilihan metode-metode dalam proses pengenalan citra dokumen yang digunakan dalam penelitian ini untuk mengenali citra dokumen dari buku sastra Jawa Menak Sorangan I dan Panji Sekar pada halaman 3 dan 4 relatif baik.


BAB VI KESIMPULAN DAN SARAN

6.1. Kesimpulan Dari penelitian ini maka dapat diambil beberapa kesimpulan sebagai berikut: 1. Sistem Pengenalan Citra Dokumen yang telah dibuat dapat mengenali citra-citra karakter Jawa penyusun citra dokumen berdasarkan pencocokan ciri citra-citra karakter antara citra karakter query yang terdapat dalam suatu citra dokumen dan citra karakter dalam basis data. 2. Untuk data-data citra yang digunakan dalam penelitian ini, yaitu dari citra dokumen Menak Sorangan I halaman 3 dan halaman 4, maka sistem dapat mengenali citra-citra karakter penyusun dokumen tersebut dengan rata-rata prosentase keberhasilan sebesar 86.53% untuk threshold jarak ciri citra karakter sebesar 20. 3. Ciri citra karakter Jawa berupa jumlah piksel obyek dalam suatu unit citra karakter dapat dipakai untuk menentukan kemiripan bentuk citra karakter Jawa. Semakin dekat jarak ciri citra query dengan ciri citra dalam basis data, maka semakin mirip citra karakter tersebut. 4. Ciri citra karakter disimpan dalam basis data, sehingga data citra karakter baru dapat ditambahkan untuk mempresentasikan lebih banyak variasi citra karakter Jawa. Semakin banyak variasi citra karakter dari citra dalam basis data, maka

92


93

semakin besar kemungkinan untuk menemukan citra karakter yang mirip dengan citra karakter query dari suatu citra dokumen. 5. Prosentase keberhasilan pengenalan citra dokumen selain tergantung pada variasi citra karakter yang tersimpan dalam basis data, juga sangat tergantung dari proses pengolahan citra dokumen. 6. Keberhasilan proses pengolahan citra dokumen sangat dipengaruhi oleh kualitas kertas, kualitas cetakan, dan kerumitan karakter cetakan dari dokumen yang akan diolah. Semakin baik kualitas kertas dan kualitas cetakan, semakin besar kemungkinan untuk menghasilkan hasil olahan citra-citra karakter yang baik. Semakin rumit bentuk-bentuk karakter cetakan dalam dokumen, semakin sulit proses pengolahan citra dokumennya.

6.2. Saran Dari hasil penelitian ini dapat disarankan beberapa hal sebagai berikut: 1. Perlu dicoba metode-metode lain untuk proses pengolahan tingkat piksel dan proses pengenalan karakter sehingga diperoleh hasil pengolahan yang lebih optimal. 2. Perlu dicoba citra dokumen lain yang dipergunakan sebagai data masukan, utamanya jika citra tersebut dicetak dengan jarak antar baris yang tidak harus jelas, dan ditulis dengan mempergunakan tulisan tangan. 3. Penelitian ini masih harus dikembangkan lagi untuk sampai pada tahap pengolahan teks seperti word processor.


DAFTAR PUSTAKA Antonacopoulos, A., 1995, “Introduction to Document Image Analysis”, http://www. css.liv.ac.uk/~aa/Courses/COMP390/DIA-Introduction.pdf, diakses tanggal 16 April 2005. Arcelli, C., dan Sanniti di Baja, G., 1985, “A width-independent fast thinning algorithm”, IEEE Trans. Pattern Anal. Machine Intell, Volume 7: 463-474. Azar, Danielle., 1997, “Hilditch's Algorithm for Skeletonization”, http://jeff.cs. mcgill.ca/~godfried/teaching/projects97/azar/skeleton.html#algorithm, diakses tang-gal 20 September 2005. Brown, Eric W., 2000, "Character Recognition by Feature Point Extraction”, www. ccs. neu.edu/home/feneric/papers/charrec.pdf, diakses tanggal 20 Juni 2005. Darusuprapta, dkk., 1996, “Pedoman Penulisan Aksara Jawa”, Yayasan Pustaka Nusantara, Yogyakarta. Duda, Richard O., Hart, Peter E., dan Stork, David G., 2000, “Pattern Classification”, Wiley Interscience, USA. Fletcher, A., dan Kasturi, R., 1988, “A robust algorithm for text string separation from mixed text/graphics images”, IEEE Trans. Pattern Anal. Machine Intel., Volume 10: 910-918. Gonzalez, R.C., dan Woods, R.E., 1992, “Digital Image Processing”, AddisonWesley Publishing Company, Inc., USA.. Hanzelman, Duane, dan Littlefield, Bruce, 2000, “Matlab Bahasa Komputasi Teknis”, Andi, Yogyakarta. Kasturi, R., O’Gorman, L., dan Govindaraju, V., 2002, “Document image analysis: A primer”, Sadhana, Volume 27: 3-22. Kavallieratou, E., Fakotakis, N., dan Kokkinakis, G., 2005, “Skew angle estimation in document processing using cohen’s class distributions”, http://slt.wcl.ee.upatras.gr /papers/kavallieratou2.pdf, diakses tanggal 16 April 2005. Munir, Rinaldi., 2004, “Pengolahan Citra Digital dengan Pendekatan Algoritmik”, Informatika, Bandung. O’Gorman, 1993, “The document spectrum for structural page layout analysis”, IEEE Trans. Pattern Anal. Machine Intelli., Volume 15: 62-73.

94


95

O’Gorman, L., dan Kasturi, R., 1997, “Executive briefing: documen image analysis”, IEEE Computer Society Press., USA. Otsu, Nobuyuki., 2003, “A Threshold Selection Method from Gray-Level Histograms”, http://www-users.itlabs.umn.edu/classes/Spring-2003/csci8980 /presen tations/AThresholdSelectionMethodfromGray-Level.ppt, diakses tanggal: 20 September 2005. Pakubuwono IV., 1933, “Panji Sekar”, Balepoestaka, Batawisentrem. Parker, J.R., 1997, “Algorithms For Image Processing And Computer Vision”, Wiley Computer Publishing, New York. Pressman, R.S., 2001, “Software Engineering: A Practitior’s Approach, 5th Edition”, John Wiley & Sons, Inc., New York. Sauvola, J., Seppänen, T., Haapakoski, S., dan Pietikäinen, M., 1997, “Adaptive Document Binarization”, http://www.mediateam.oulu.fi/publications/pdf/ 42.pdf, diakses tanggal 4 Mei 2005. Sayoga, Budi., 2004, “Panduan Pemakaian Hanacaraka Font Untuk Pengetikan Aksara Jawa Pada Perangkat Lunak Komputer Berbasis Sistem Operasi Windows”, http://hanacaraka.fateback.com, diakses tanggal 2 September 2005. Srihari, S.N., Lam, S.W., Govindaraju, V., Srihari, R.K., Hull, J.J., 1986, “Document Image Understanding”, CEDAR, New York.. Suprihatin, 2003, “Penerapan Finite Automata Dalam Mengalihaksarakan Tulisan Aksara Jawa ke Tulisan Huruf Latin. Tesis S2 Ilmu Komputer”, Universitas Gadjah Mada, Yogyakarta. Thompson, C.M., Shure, L., 1993, “Image Processing ToolBox For Use with Matlab”, The Math Works Inc., USA. Yasadipura I, R.Ng., 1936, “Menak Sorangan I”, Balepoestaka, Batawisentrem. Zramdini, Abdelwahab., dan Ingold, Rolf., 1993, “Optical font recognition from projection profiles”, Electronic Publishing, Volume 6(3): 249-260.


Lampiran 1. Antar muka pemakai Sistem Pengenal Citra Dokumen a. SubMenu Binarisasi

b. SubMenu Normalisasi Orientasi

96


97

c. SubMenu Pengenalan Karakter

d. SubMenu BentukKata


Lampiran 2. Implementasi Modul Dalam Desain Sistem 1. Implementasi SubModul BukaFile function dirdata=bukafilekar(f,program); [fname,pname]=uigetfile('karakter.mat','Buka file citra karakter',10,30); dirdata=pname; cd(dirdata); data=load(fname); karJawa=data.karakter; cd(program); save('karJawa.mat','karJawa'); info_s1={'Gambar Karakter Jawa:'}; Judul_b1=uicontrol(f,'style','text','units','norm','back','w','po s',[.0 .7 0.5 .05],... 'string',info_s1,'fontsize',[16],'fontname','verdana'); subplot('position',[0.1 0.2 0.3 0.4]); imshow(karJawa);

2. Implementasi SubModul EkstraksiCiri function fitur = ekstrakciri(kar,program,dirdata); % ciri histogram horisontal data=kar; cd(dirdata); tinggi=size(data,1); lebar=size(data,2); hiskar=zeros(tinggi,1); for i=1:tinggi for j=1:lebar if (data(i,j)==0) hiskar(i)=hiskar(i)+1; end end end ulang=size(hiskar,1); i=1; awal=1; while (i1) if (hiskar(i)==0) i=i-1; akhir=i;

98


99

else i=0; end end hiskarbrs=hiskar(awal:akhir,1); %histogram kolom huruf hiskarklm=zeros(lebar,1); for i=1:lebar for j=1:tinggi if (data(j,i)==0) hiskarklm(i)=hiskarklm(i)+1; end end end ulang=size(hiskarklm,1); i=1; awal2=1; while (i1) if (hiskarklm(i)==0) i=i-1; akhir2=i; else i=0; end end hiskarklm=hiskarklm(awal2:akhir2,1); gbr=data(awal:akhir,awal2:akhir2); x=gbr; b=ceil(size(x,1)/3); k=ceil(size(x,2)/3); ulb=size(x,1); ulc=size(x,2); jumtitik=zeros(3,3); for i=1:3 ak_i=i*b; if (i*b>ulb) ak_i=ulb; end for j=1:3 ak_j=j*k; if (ak_j>ulc) ak_j=ulc;


100

end datagbr=x((i-1)*b+1:ak_i,(j-1)*k+1:ak_j); jum=0; for w=1:size(datagbr,1) for u=1:size(datagbr,2) if (datagbr(w,u)==0) jum=jum+1; end end end jumtitik(i,j)=jum; end end fitur = jumtitik; cd(program);

3. Implementasi SubModul CariCiri function carikar(f,program); load cirikar; load ciri; database=ciri; ulang=size(database,1); i=2; while (i<=ulang) temu=0; b=abs(cirikar-database{i,2}); c=sum(b); beda=sum(c); if (beda<=20) temu=i; s1=database{temu,1}; if (ischar(s1)==0) s1=char(s1); end s2=num2str(temu); info_s1={'Gambar Karakter Jawa:'}; info_s2={'Ciri Karakter Jawa:'}; subplot('position',[0.1 0.2 0.3 0.4]); imshow(database{temu,3}); cr=database{temu,2}; judul='Ditemukan Karakter Jawa di rekord ke: '; Judul_b0=uicontrol(f,'style','text','units','norm','back','w','po s',[.0 .8 1 .05],... 'string',strcat(judul,s2),'fontsize',[16],'fontname','verdana'); Judul_3=uicontrol(f,'style','text','units','norm','back','w',' pos',[.0 .75 1 .05],... 'string',upper(s1),'fontsize',[24],'fontname','verdana');


101

Judul_b1=uicontrol(f,'style','text','units','norm','back','w', 'pos',[.0 .7 0.5 .05],... 'string',info_s1,'fontsize',[16],'fontname','verdana'); Judul_b2=uicontrol(f,'style','text','units','norm','back','w', 'pos',[.51 .7 .5 .05],... 'string',info_s2,'fontsize',[16],'fontname','verdana'); Judul5=uicontrol(f,'style','text','units','norm','back','w','p os',[.0 .05 1 .05],... 'string','ENTER: Lanjut','fontsize',[18],'fontname','verdana'); ciri1=uicontrol(f,'style','text','units','norm','back','w','pos', [.7 .55 0.03 .05],... 'string',cr(1,1),'fontsize',[14],'fontname','verdana'); ciri2=uicontrol(f,'style','text','units','norm','back','w','pos', [.74 .55 0.03 .05],... 'string',cr(1,2),'fontsize',[14],'fontname','verdana'); ciri3=uicontrol(f,'style','text','units','norm','back','w','po s',[.78 .55 0.03 .05],... 'string',cr(1,3),'fontsize',[14],'fontname','verdana'); ciri1=uicontrol(f,'style','text','units','norm','back','w','pos', [.7 .5 0.03 .05],... 'string',cr(2,1),'fontsize',[14],'fontname','verdana'); ciri2=uicontrol(f,'style','text','units','norm','back','w','pos', [.74 .5 0.03 .05],... 'string',cr(2,2),'fontsize',[14],'fontname','verdana'); ciri3=uicontrol(f,'style','text','units','norm','back','w','po s',[.78 .5 0.03 .05],... 'string',cr(2,3),'fontsize',[14],'fontname','verdana'); ciri1=uicontrol(f,'style','text','units','norm','back','w','pos', [.7 .45 0.03 .05],... 'string',cr(3,1),'fontsize',[14],'fontname','verdana'); ciri2=uicontrol(f,'style','text','units','norm','back','w','pos', [.74 .45 0.03 .05],... 'string',cr(3,2),'fontsize',[14],'fontname','verdana'); ciri3=uicontrol(f,'style','text','units','norm','back','w','po s',[.78 .45 0.03 .05],... 'string',cr(3,3),'fontsize',[14],'fontname','verdana'); i=ulang+1; end i=i+1;

end


102

4. Implementasi SubModul Cari Nama function CariData(f); info_s1={'Gambar Karakter Jawa:'}; info_s2={'Ciri Karakter Jawa:'}; nm = input('Masukkan nama latin karakter yang dicari: '); judul='Karakter Jawa di rekord ke: '; load ciri; data = ciri; ulang=size(data,1); i=1; while (i<=ulang) kt = data{i,1}; kt = char(kt); cr = data{i,2}; if (strcmp(kt,nm)==1) Judul_b0=uicontrol(f,'style','text','units','norm','back','w','po s',[.0 .8 1 .05],... 'string',strcat(judul,num2str(i)),'fontsize',[16],'fontname','ver dana'); Judul_3=uicontrol(f,'style','text','units','norm','back','w','pos ',[.0 .75 1 .05],... 'string',upper(nm),'fontsize',[24],'fontname','verdana'); Judul_b1=uicontrol(f,'style','text','units','norm','back','w', 'pos',[.0 .7 0.5 .05],... 'string',info_s1,'fontsize',[16],'fontname','verdana'); Judul_b2=uicontrol(f,'style','text','units','norm','back','w', 'pos',[.51 .7 .5 .05],... 'string',info_s2,'fontsize',[16],'fontname','verdana'); Judul5=uicontrol(f,'style','text','units','norm','back','w','p os',[.0 .05 1 .05],... 'string','ENTER: Lanjut','fontsize',[18],'fontname','verdana'); subplot('position',[0.1 0.2 0.3 0.4]); imshow(data{i,3}); ciri1=uicontrol(f,'style','text','units','norm','back','w','pos', [.7 .55 0.03 .05],... 'string',cr(1,1),'fontsize',[14],'fontname','verdana'); ciri2=uicontrol(f,'style','text','units','norm','back','w','pos', [.74 .55 0.03 .05],... 'string',cr(1,2),'fontsize',[14],'fontname','verdana'); ciri3=uicontrol(f,'style','text','units','norm','back','w','po s',[.78 .55 0.03 .05],... 'string',cr(1,3),'fontsize',[14],'fontname','verdana');


103

ciri1=uicontrol(f,'style','text','units','norm','back','w','pos', [.7 .5 0.03 .05],... 'string',cr(2,1),'fontsize',[14],'fontname','verdana'); ciri2=uicontrol(f,'style','text','units','norm','back','w','pos', [.74 .5 0.03 .05],... 'string',cr(2,2),'fontsize',[14],'fontname','verdana'); ciri3=uicontrol(f,'style','text','units','norm','back','w','po s',[.78 .5 0.03 .05],... 'string',cr(2,3),'fontsize',[14],'fontname','verdana'); ciri1=uicontrol(f,'style','text','units','norm','back','w','pos', [.7 .45 0.03 .05],... 'string',cr(3,1),'fontsize',[14],'fontname','verdana'); ciri2=uicontrol(f,'style','text','units','norm','back','w','pos', [.74 .45 0.03 .05],... 'string',cr(3,2),'fontsize',[14],'fontname','verdana'); ciri3=uicontrol(f,'style','text','units','norm','back','w','po s',[.78 .45 0.03 .05],... 'string',cr(3,3),'fontsize',[14],'fontname','verdana'); pause; end i=i+1; end

5. Implementasi SubModul CariTeta function [teta,citra]=Sudut %mengetahui besar sudut %nmfl=uigetfile('*.jpg','Pilih file citra dokumen: '); citra=imread('3.jpg'); data=double(citra); tinggi=size(data,1); lebar=size(data,2); n=round(tinggi/2); m=round(lebar/2); N=tinggi*lebar; maksen=1/N*1/2*(n+n*m); naksen=1/N*1/2*(m+m*n); jum=0; for i=1:m jum=jum+(i-maksen)^2; end mu20=n*jum; jum=0; for i=1:n jum=jum+(i-naksen)^2; end mu02=m*jum; jumm=0; for i=1:m


104

jumm=jumm+(i-maksen); end jumn=0; for i=1:n jumn=jumn+(i-naksen); end mu11=n*m*jumm*jumn; teta=1/2*atan(2*mu11/(mu20-mu02));

6. Implementasi SubModul PutarCitra function putar=Rotasi(citra,teta,f) I= citra; sd=abs(round(teta)); if (sd==0) sd=1; end putar = imrotate(I,sd); savefile = 'putar.mat'; save(savefile,'putar'); info_r1={'Citra Dokumen Asli:'}; info_r2={'Citra Dokumen Hasil Normalisasi Orientasi dengan teta = '}; Judul_r1=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.0 .82 1 .03],... 'string',info_r1,'fontsize',[12],'fontname','verdana'); Judul_r2=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.0 .39 .63 .04],... 'string',info_r2,'fontsize',[12],'fontname','verdana'); Judul_r3=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.64 .39 .1 .04],... 'string',abs(teta),'fontsize',[12],'fontname','verdana'); subplot('position',[0 0.42 1 0.4]); imshow(I); subplot('position',[0 0.0 1 0.39]); imshow(putar)

7. Implementasi SubModul CariAmbang function batas = mOtsu(gbr) %Binarisasi dengan mempergunakan metode Otsu's ~ by: A. Rita W. %1. cari probabilitas semua piksel %2. cari nilai rata-rata momen %3. cari momen kumulatif ke nol %4. cari momen kumulatif ke satu %5. cari nilai seluruh kemungkinan nilai k %6. cari k yang maksimum %-------------------------------------------data=double(gbr); tinggi=size(data,1); lebar=size(data,2); JumPiksel=tinggi*lebar; cacah=zeros(1,256); %--------------------------------------------


105

%1. cari probabilitas semua piksel % cari jumlah piksel-piksel sejenis for i=1:tinggi for j=1:lebar cacah(data(i,j)+1)=cacah(data(i,j)+1)+1; tdk dimulai dari 0 end end for i=1:256 ProbI(i)=cacah(i)/JumPiksel; end %-------------------------------------------%2. cari nilai rata-rata momen RerataMomen=0; for i=1:256 RerataMomen=RerataMomen+i*ProbI(i); end %-------------------------------------------MKkeNol=0; MKkeSatu=0; for i=1:256

%+1 krn indek

%2. cari momen kumulatif ke nol MKkeNol=MKkeNol+ProbI(i); %-------------------------------------------%3. cari momen kumulatif ke satu MKkeSatu=MKkeSatu+i*ProbI(i); %-------------------------------------------%5. cari nilai seluruh kemungkinan nilai k Ambang(i)=((RerataMomen*MKkeNol-MKkeSatu)^2)/(MKkeNol*(1MKkeNol)); %-------------------------------------------end %-------------------------------------------%6. cari k yang maksimum makK=Ambang(1); indek=1; for i=2:256 if Ambang(i)>makK makK=Ambang(i); indek=i-1; end end batas=indek;

8. Implementasi SubModul UbahBiner Function biner(f) citra=putar; %rev 26Nop J dari 3.JPG yang telah dirotasi ambang = mOtsu(citra); ambang batas display(ambang); temp=double(citra); tinggi=size(citra,1);

% panggil func otsu untuk mencari

% ubah ke tipe double % hitung tinggi citra


106

lebar=size(citra,2);

% hitung lebar citra

temp2=double(citra); tinggi=size(citra,1); lebar=size(citra,2);

% ubah ke tipe double % hitung tinggi citra % hitung lebar citra

%mulai binarisasi for i=1:tinggi for j=1:lebar if (temp2(i,j)
9. Implementasi SubModul Erosi function Noise(f,program,dirdata); %Operasi untuk menghilangkan titik asing dan menutup lubang titik %baca citra cd(dirdata); load putar; nois=putar; %prosedur untuk memotong baris atas dan bawah yang kosong data=nois; tinggi=size(data,1); lebar=size(data,2); hisbrs=zeros(tinggi,1); for i=1:tinggi for j=1:lebar if (data(i,j)==0) hisbrs(i)=hisbrs(i)+1; end end end data=hisbrs; ulang=size(data,1); baris=size(nois,1); i=1; %buang baris kosong di atas while ((data(i)>40) | (data(i)<=10)) & (i40) | (data(j)<=10)) & (j>1) j=j-1; end nois2=nois(i:j,:); %prosedur untuk buang kolom-kolom kosong


107

data=nois2; tinggi=size(data,1); lebar=size(data,2); hisklm=zeros(lebar,1); for i=1:lebar for j=1:tinggi if (data(j,i)==0) hisklm(i)=hisklm(i)+1; end end end data=hisklm; ulang=size(data,1); kolom=size(nois2,2); i=1; %buang kolom kosong di kiri while ((data(i)>20) | (data(i)<=3)) & (i20) | (data(j)<=3)) & (j>1) j=j-1; end %nois3=nois2(:,i:j); nois3=nois2(:,137:1412); tinggi=size(nois3,1); lebar=size(nois3,2); temp=double(nois3); %lakukan dulu removal titik terasing %jika tetangga <4 titik tetangga maka titik itu dijadikan latar temp2=temp; % removal pojok kiri atas jubah=1; while (jubah>0) tinggi=size(temp,1); lebar=size(temp,2); jubah=0; jTetangga=0; i=1; if (temp(1,1)==0) jTetangga=jTetangga+temp(i,2)+temp(i+1,1)+temp(i+1,2); if (jTetangga==3) jubah=jubah+1; temp2(i,1)=1; end end % removal pojok kanan atas jTetangga=0; if (temp(i,lebar)==0) jTetangga=jTetangga+temp(i,lebar1)+temp(i+1,lebar)+temp(i+1,lebar-1); if (jTetangga==3) jubah=jubah+1; temp2(i,lebar)=1; end


108

end % removal pojok kiri bawah jTetangga=0; i=tinggi; if (temp(i,1)==0) jTetangga=jTetangga+temp(i,2)+temp(i-1,1)+temp(i-1,2); if (jTetangga==3) jubah=jubah+1; temp2(i,1)=1; end end % removal pojok kanan bawah jTetangga=0; if (temp(i,lebar)==0) jTetangga=jTetangga+temp(i,lebar-1)+temp(i-1,lebar)+temp(i1,lebar-1); if (jTetangga==3) jubah=jubah+1; temp2(i,lebar)=1; end end % removal kolom paling kiri dan kanan for i=2:tinggi-1 if (temp(i,1)==0) jTetangga=0; jTetangga=jTetangga+temp(i1,1)+temp(i,2)+temp(i+1,1)+temp(i-1,2)+temp(i+1,2); if (jTetangga==5) jubah=jubah+1; temp2(i,1)=1; end end if (temp(i,lebar)==0) jTetangga=0; jTetangga=jTetangga+temp(i-1,lebar)+temp(i,lebar1)+temp(i+1,lebar)+temp(i-1,lebar-1)+temp(i+1,lebar-1); if (jTetangga==5) jubah=jubah+1; temp2(i,lebar)=1; end end end %removal baris paling atas dan bawah for i=2:lebar-1 if(temp(1,i)==0) jTetangga=0; jTetangga=jTetangga+temp(1,i1)+temp(2,i)+temp(1,i+1)+temp(2,i-1)+temp(2,i+1); if (jTetangga==5) jubah=jubah+1; temp2(1,i)=1; end


109

end if (temp(tinggi,i)==0) jTetangga=0; jTetangga=jTetangga+temp(tinggi,i-1)+temp(tinggi1,i)+temp(tinggi,i+1)+temp(tinggi-1,i-1)+temp(tinggi-1,i+1); if (jTetangga==5) jubah=jubah+1; temp2(tinggi,i)=1; end end end % removal selain di border line %removal obyek terasing for i=2:tinggi-1 for j=2:lebar-1 jTetangga=0; if (temp(i,j)==0) jTetangga=jTetangga+temp(i1,j)+temp(i,j+1)+temp(i+1,j)+temp(i,j-1)+... temp(i-1,j-1)+temp(i1,j+1)+temp(i+1,j+1)+temp(i+1,j-1); if (jTetangga==8) jubah=jubah+1; temp2(i,j)=1; end jTetanggaA=0; jTetanggaA=jTetanggaA+temp(i-1,j-1)+temp(i-1,j)+temp(i1,j+1)+temp(i,j-1)+temp(i,j+1); jTetanggaB=0; jTetanggaB=jTetanggaB+temp(i+1,j1)+temp(i+1,j)+temp(i+1,j+1); if ((jTetanggaA==5) & (jTetanggaB==0)) jubah=jubah+1; temp2(i,j)=1; end jTetanggaA=0; jTetanggaA=jTetanggaA+temp(i-1,j-1)+temp(i-1,j)+temp(i1,j+1); jTetanggaB=0; jTetanggaB=jTetanggaB+temp(i+1,j1)+temp(i+1,j)+temp(i+1,j+1)+temp(i,j-1)+temp(i,j+1); if ((jTetanggaA==0) & (jTetanggaB==5)) jubah=jubah+1; temp2(i,j)=1; end jTetanggaA=0; jTetanggaA=jTetanggaA+temp(i-1,j-1)+temp(i1,j)+temp(i,j-1)+temp(i+1,j-1)+temp(i+1,j); jTetanggaB=0; jTetanggaB=jTetanggaB+temp(i1,j+1)+temp(i,j+1)+temp(i+1,j+1); if ((jTetanggaA==5) & (jTetanggaB==0)) jubah=jubah+1; temp2(i,j)=1; end


110

jTetanggaA=0; jTetanggaA=jTetanggaA+temp(i-1,j)+temp(i1,j+1)+temp(i,j+1)+temp(i+1,j)+temp(i+1,j+1); jTetanggaB=0; jTetanggaB=jTetanggaB+temp(i-1,j-1)+temp(i,j1)+temp(i+1,j-1); if ((jTetanggaA==5) & (jTetanggaB==0)) jubah=jubah+1; temp2(i,j)=1; end end end end temp=temp2; end nois=logical(uint8(temp)); savefile = 'nois.mat'; save(savefile,'nois'); cd(program);

10. Implementasi SubModul Dilatasi function filling(f,program,dirdata); cd(dirdata); load putar; load nois; %prosedur untuk memotong baris atas dan bawah yang kosong temp=double(nois); tinggi=size(nois,1); lebar=size(nois,2); %lakukan dulu removal titik terasing %jika tetangga <4 titik tetangga maka titik itu dijadikan latar temp2=temp; jubah=1; while (jubah>0) jubah=0; % removal pojok kiri atas jTetangga=0; i=1; if (temp(1,1)==1) jTetangga=jTetangga+temp(i,2)+temp(i+1,1)+temp(i+1,2); if (jTetangga==0) temp2(i,1)=0; jubah=jubah+1; end end % removal pojok kanan atas if (temp(i,lebar)==1) jTetangga=0; jTetangga=jTetangga+temp(i,lebar1)+temp(i+1,lebar)+temp(i+1,lebar-1); if (jTetangga==0) jubah=jubah+1; temp2(i,lebar)=0; end


111

end % removal pojok kiri bawah jTetangga=0; i=tinggi; if (temp(i,1)==1) jTetangga=jTetangga+temp(i,2)+temp(i-1,1)+temp(i-1,2); if (jTetangga==0) jubah=jubah+1; temp2(i,1)=0; end end % removal pojok kanan bawah if (temp(i,lebar)==1) jTetangga=0; jTetangga=jTetangga+temp(i,lebar-1)+temp(i-1,lebar)+temp(i1,lebar-1); if (jTetangga==0) jubah=jubah+1; temp2(i,lebar)=0; end end % removal kolom paling kiri dan kanan for i=2:tinggi-1 if (temp(i,1)==1) jTetangga=0; jTetangga=jTetangga+temp(i-1,1)+temp(i,2)+temp(i+1,1)+temp(i1,2)+temp(i+1,2); if (jTetangga==0) jubah=jubah+1; temp2(i,1)=0; end end if (temp(i,lebar)==1) jTetangga=0; jTetangga=jTetangga+temp(i-1,lebar)+temp(i,lebar1)+temp(i+1,lebar)+temp(i-1,lebar-1)+temp(i+1,lebar-1); if (jTetangga==0) jubah=jubah+1; temp2(i,lebar)=0; end end end %removal baris paling atas dan bawah for i=2:lebar-1 if (temp(1,i)==1) jTetangga=0; jTetangga=jTetangga+temp(1,i1)+temp(2,i)+temp(1,i+1)+temp(2,i-1)+temp(2,i+1); if (jTetangga==0) jubah=jubah+1; temp2(1,i)=0; end end if (temp(tinggi,i)==1) jTetangga=0;


112

jTetangga=jTetangga+temp(tinggi,i-1)+temp(tinggi1,i)+temp(tinggi,i+1)+temp(tinggi-1,i-1)+temp(tinggi-1,i+1); if (jTetangga==0) jubah=jubah+1; temp2(tinggi,i)=0; end end end % removal selain di border line %removal obyek terasing for i=2:tinggi-1 for j=2:lebar-1 if (temp(i,j)==1) jTetangga=0; jTetangga=jTetangga+temp(i1,j)+temp(i,j+1)+temp(i+1,j)+temp(i,j-1)+... temp(i-1,j-1)+temp(i1,j+1)+temp(i+1,j+1)+temp(i+1,j-1); if (jTetangga==0) jubah=jubah+1; temp2(i,j)=0; end jTetanggaA=0; jTetanggaA=jTetanggaA+temp(i-1,j-1)+temp(i1,j)+temp(i-1,j+1)+temp(i,j-1)+temp(i,j+1); jTetanggaB=0; jTetanggaB=jTetanggaB+temp(i+1,j1)+temp(i+1,j)+temp(i+1,j+1); if ((jTetanggaA==0) & (jTetanggaB==3)) jubah=jubah+1; temp2(i,j)=0; end jTetanggaA=0; jTetanggaA=jTetanggaA+temp(i-1,j-1)+temp(i1,j)+temp(i-1,j+1); jTetanggaB=0; jTetanggaB=jTetanggaB+temp(i+1,j1)+temp(i+1,j)+temp(i+1,j+1)+temp(i,j-1)+temp(i,j+1); if ((jTetanggaA==3) & (jTetanggaB==0)) jubah=jubah+1; temp2(i,j)=0; end jTetanggaA=0; jTetanggaA=jTetanggaA+temp(i-1,j-1)+temp(i1,j)+temp(i,j-1)+temp(i+1,j-1)+temp(i+1,j); jTetanggaB=0; jTetanggaB=jTetanggaB+temp(i1,j+1)+temp(i,j+1)+temp(i+1,j+1); if ((jTetanggaA==0) & (jTetanggaB==3)) jubah=jubah+1; temp2(i,j)=0; end jTetanggaA=0; jTetanggaA=jTetanggaA+temp(i-1,j)+temp(i1,j+1)+temp(i,j+1)+temp(i+1,j)+temp(i+1,j+1);


113

jTetanggaB=0; jTetanggaB=jTetanggaB+temp(i-1,j-1)+temp(i,j1)+temp(i+1,j-1); if ((jTetanggaA==0) & (jTetanggaB==3)) jubah=jubah+1; temp2(i,j)=0; end end end end temp=temp2; end isi=logical(uint8(temp)); savefile = 'isi.mat'; save(savefile,'isi'); cd(program); info_n1={'Citra Dokumen Awal:'}; info_n2={'Citra Dokumen Hasil Proses Filling: '}; Judul_n2=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.91 .86 0.09 .04],... 'string',' ','fontsize',[14],'fontname','verdana'); tampil(f,info_n1,info_n2, putar, isi);

11. Implementasi Modul Thinning function skeleton(f) load nois; tinggi=size(nois,1); lebar=size(nois,2); temp=BW; temp2=temp; latar=1; obyek=0; N=1; while (N>0) N=0; for i=3:tinggi-1, for j=2:lebar-2, if (temp(i,j)==obyek) B=0; if (temp(i-1,j)==obyek) B=B+1; end; if (temp(i-1,j+1)==obyek) B=B+1; end; if (temp(i,j+1)==obyek) B=B+1; end; if (temp(i+1,j+1)==obyek) B=B+1; end; if (temp(i+1,j)==obyek) B=B+1; end; if (temp(i+1,j-1)==obyek) B=B+1; end; if (temp(i,j-1)==obyek) B=B+1; end; if (temp(i-1,j-1)==obyek) B=B+1; end; A1=0; if ((temp(i-1,j)==latar) & (temp(i1,j+1)==obyek)) A1=A1+1; end; if ((temp(i-1,j+1)==latar) & (temp(i,j+1)==obyek)) A1=A1+1; end; if ((temp(i,j+1)==latar) & (temp(i+1,j+1)==obyek)) A1=A1+1; end;


114

if ((temp(i+1,j+1)==latar) & (temp(i+1,j)==obyek)) A1=A1+1; end; if ((temp(i+1,j)==latar) & (temp(i+1,j1)==obyek)) A1=A1+1; end; if ((temp(i+1,j-1)==latar) & (temp(i,j1)==obyek)) A1=A1+1; end; if ((temp(i,j-1)==latar) & (temp(i-1,j1)==obyek)) A1=A1+1; end; if ((temp(i-1,j-1)==latar) & (temp(i1,j)==obyek)) A1=A1+1; end; A2=0; if ((temp(i-2,j)==latar) & (temp(i2,j+1)==obyek)) A2=A2+1; end; if ((temp(i-2,j+1)==latar) & (temp(i1,j+1)==obyek)) A2=A2+1; end; if ((temp(i-1,j+1)==latar) & (temp(i,j+1)==obyek)) A2=A2+1; end; if ((temp(i,j+1)==latar) & (temp(i,j)==obyek)) A2=A2+1; end; if ((temp(i,j)==latar) & (temp(i,j-1)==obyek)) A2=A2+1; end; if ((temp(i,j-1)==latar) & (temp(i-1,j1)==obyek)) A2=A2+1; end; if ((temp(i-1,j-1)==latar) & (temp(i-2,j1)==obyek)) A2=A2+1; end; if ((temp(i-2,j-1)==latar) & (temp(i2,j)==obyek)) A2=A2+1; end; A4=0; if ((temp(i-1,j+1)==latar) & (temp(i1,j+2)==obyek)) A4=A4+1; end; if ((temp(i-1,j+2)==latar) & (temp(i,j+2)==obyek)) A4=A4+1; end; if ((temp(i,j+2)==latar) & (temp(i+1,j+2)==obyek)) A4=A4+1; end; if ((temp(i+1,j+2)==latar) & (temp(i+1,j+1)==obyek)) A4=A4+1; end; if ((temp(i+1,j+1)==latar) & (temp(i+1,j)==obyek)) A4=A4+1; end; if ((temp(i+1,j)==latar) & (temp(i,j)==obyek)) A4=A4+1; end; if ((temp(i,j)==latar) & (temp(i-1,j)==obyek)) A4=A4+1; end; if ((temp(i-1,j)==latar) & (temp(i1,j+1)==obyek)) A4=A4+1; end; if ((B>=2)&(B<=6)) & (A1==1) & ... (((temp(i-1,j)==latar) | (temp(i,j+1)==latar) ... | (temp(i,j-1)==latar))| (A2~=1)) & ... (((temp(i-1,j)==latar)| (temp(i,j+1)==latar) ... | (temp(i+1,j)==latar)) | (A4~=1)) temp2(i,j) = latar; N=N+1; end end end


115

end temp=temp2; end thin=logical(uint8(temp2)); savefile = 'thin.mat'; save(savefile,'thin');

12. Implementasi SubModul ProyeksiHorisontal % Proyeksi horisontal load thin; data=thin; tinggi=size(data,1); lebar=size(data,2); hisbrs=zeros(tinggi,1); for i=1:tinggi for j=1:lebar if (data(i,j)==0) hisbrs(i)=hisbrs(i)+1; end end end savefile = 'hisbrs.mat'; save(savefile,'hisbrs');

13. Implementasi SubModul PotongBaris %buang baris atas dan bawah yang kosong load hisbrs; data=hisbrs; ulang=size(data,1); baris=size(thin,1); i=1; %buang baris kosong di atas while ((data(i)>150) | (data(i)<=7)) & (i150) | (data(j)<7)) & (j>1) j=j-1; end thin2=thin(i:j,:); savefile = 'thin2.mat'; save(savefile,'thin2');

14. Implementasi SubModul Proyeksi Vertikal % Proyeksi vertikal untuk seluruh gambar load thin2; data=thin2; tinggi=size(data,1); lebar=size(data,2); hisklm=zeros(lebar,1); for i=1:lebar


116

for j=1:tinggi if (data(j,i)==0) hisklm(i)=hisklm(i)+1; end end end savefile = 'hisklm.mat'; save(savefile,'hisklm');

15. Implementasi SubModul CariIndekKolom %buang kolom kiri dan kolom kanan load hisklm; data=hisklm; ulang=size(data,1); kolom=size(thin2,2); i=1; %buang kolom kosong di kiri while ((data(i)>150) | (data(i)<=4)) & (i150) | (data(j)<4)) & (j>1) j=j-1; end thin3=thin2(:,i:j); savefile = 'thin3.mat'; save(savefile,'thin3'); % Proyeksi horisontal load thin3; data=thin3; tinggi=size(data,1); lebar=size(data,2); histhin3=zeros(tinggi,1); for i=1:tinggi for j=1:lebar if (data(i,j)==0) histhin3(i)=histhin3(i)+1; end end end savefile = 'histhin3.mat'; save(savefile,'histhin3');

16. Implementasi SubModul PotongKarakter function Potbrs_0(f) info_s1={'Citra Dokumen Awal:'}; info_s2={'Citra-Citra Baris (tekan Enter untuk melanjutkan):'}; Judul_b1=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.0 .82 1 .03],... 'string',info_s1,'fontsize',[12],'fontname','verdana');


117

Judul_b2=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.0 .39 1 .04],... 'string',info_s2,'fontsize',[12],'fontname','verdana'); load histhin3; load thin3; subplot('position',[0 0.42 1 0.4]); imshow(thin3); load indek; data=indek; ulang=size(indek,1); i=1; baris{1}=0; while (i<=ulang) baris{i}=thin3(indek(i,1):indek(i,2),:); i=i+1; end savefile = 'indek.mat'; save(savefile,'indek'); savefile = 'baris.mat'; save(savefile,'baris'); function histobrs1(f) info_h1={'Citra Dokumen Awal:'}; info_h2={'Citra-Citra Karakter (tekan Enter untuk melanjutkan):'}; Judul_h1=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.0 .82 1 .03],... 'string',info_h1,'fontsize',[12],'fontname','verdana'); Judul_h2=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.0 .39 1 .04],... 'string',info_h2,'fontsize',[12],'fontname','verdana'); load thin3; subplot('position',[0 0.42 1 0.4]); imshow(thin3); load baris; barisnya=baris; dokumen{1,1}=0; lagi=size(barisnya,2); z=1; while (z<=lagi) % Proyeksi vertikal untuk seluruh gambar data1=barisnya{z}; tinggi=size(data1,1); lebar=size(data1,2); hisklmbrs1=zeros(lebar,1); for i=1:lebar for j=1:tinggi if (data1(j,i)==0) hisklmbrs1(i)=hisklmbrs1(i)+1; end


118

end end %ambil karakter data=hisklmbrs1; ulang=size(data,1); indekbrs1=zeros(1,2); j=0; i=1; k=0; while (i0) j=j+1; indekbrs1(j,1)=i; i=i+1; while (data(i)>0) & (i(ulang+1)) indekbrs1(j,2)=ulang; else indekbrs1(j,2)=i-1; end %subplot('position',[0 0.0 1 0.39]); %imshow(data1(:,indekbrs1(j,1):indekbrs1(j,2))); k=k+1; dokumen{z,k}=data1(:,indekbrs1(j,1):indekbrs1(j,2)); %pause; else i=i+1; end end z=z+1; end savefile = 'dokumen.mat'; save(savefile,'dokumen');

17. Implementasi Modul Pengenalan Karakter function teks(f) info_t1={'Hasil Pengenalan Karakter:'}; Judul_t1=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.0 .82 1 .03],... 'string',info_t1,'fontsize',[12],'fontname','verdana'); load dokumen; load ciri; data=dokumen; ulang=size(data,1); dokteks{1,1}=0; i=1; latin=0; while (i<=ulang) br = data(i,:); lagi = size(br,2); j=1;


119

s=''; while (j<=lagi) kar = br{j}; if (~isempty(kar)==1) fit = ekstrakciri(kar); temu = cari(fit,ciri); s1=''; if (temu<=1) info_t2={'Terdapat Karakter Jawa Baru:'}; Judul_t2=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.0 .25 1 .05],... 'string',info_t2,'fontsize',[12],'fontname','verdana'); subplot('position',[0 0.04 1 0.2]); imshow(kar); ket = input('Masukkan nama latinnya: '); lanj = size(ciri,1); lanj = lanj+1; ciri(lanj,1)={ket}; ciri(lanj,2)={fit}; ciri(lanj,3)={kar}; s=strcat(s,ket); latin=latin+1; else s1=ciri{temu,1}; if (ischar(s1)==0) s1=char(s1); end s=strcat(s,s1); latin=latin+1; end end j=j+1; end dokteks{i,1}=s; i=i+1; end savefile = 'dokteks.mat'; save(savefile,'dokteks'); savefile = 'ciri.mat'; save(savefile,'ciri'); Judul_t2=uicontrol(f,'style','text','units','norm','back',[.15 .35 .89],'pos',[.0 .0 1 .8],... 'string',dokteks,'fontsize',[12],'fontname','verdana'); savefile = 'latin.mat'; save(savefile,'latin');

18. Implementasi Modul Pembentukan Kata function kata(f) info_k1={'Hasil Pengenalan Karakter:'}; Judul_k1=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.0 .82 1 .03],...


120

'string',info_k1,'fontsize',[12],'fontname','verdana'); info_k2={'Hasil Pembentukan kata:'}; Judul_k2=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.0 .39 1 .04],... 'string',info_k2,'fontsize',[15],'fontname','verdana'); load dokteks; data = dokteks; Judul_k3=uicontrol(f,'style','text','units','norm','back',[.15 .35 .89],'pos',[.0 .43 1 .37],... 'string',data,'fontsize',[12],'fontname','verdana'); ulang=size(data,1); dokKata{1,1}=0; i=1; while (i<=ulang) kt = data(i); kt = char(kt); kt=strrep(kt,'adeg-adeg',''); kt=strrep(kt,'PadaLingsa',','); kt=strrep(kt,'PadaLungsi','.'); kt=strrep(kt,'PadaMadya',''); kt=strrep(kt,'taling ka tarung',' ko'); kt=strrep(kt,'taling mang tarung',' mong'); kt=strrep(kt,'taling mar tarung',' mor'); kt=strrep(kt,'taling ta tarung',' to'); kt=strrep(kt,'taling nang tarung',' nong'); kt=strrep(kt,'taling ba tarung',' bo'); kt=strrep(kt,'taling ya tarung',' yo'); kt=strrep(kt,'taling na ha tarung',' n o'); kt=strrep(kt,'ga1 ga2',' ga'); kt=strrep(kt,'ga1',' ga'); kt=strrep(kt,'ga2',' ga'); kt=strrep(kt,'la1 la2',' la'); kt=strrep(kt,'la1',' la'); kt=strrep(kt,'la2',' la'); kt=strrep(kt,'ma1 ma2',' ma'); kt=strrep(kt,'ma1',' ma'); kt=strrep(kt,'ma2',' ma'); kt=strrep(kt,'ya1',' ya'); kt=strrep(kt,'taling p pe',' p pe'); kt=strrep(kt,'taling ya',' ye'); kt=strrep(kt,'taling pa',' pe'); kt=strrep(kt,'taling da',' de'); kt=strrep(kt,'taling ha',' e'); kt=strrep(kt,'taling dan',' den'); kt=strrep(kt,'taling sa',' se'); kt=strrep(kt,'taling jang',' jeng'); kt=strrep(kt,'taling kka',' kke'); kt=strrep(kt,' t ka','t ka'); kt=strrep(kt,' t ku','t ku'); kt=strrep(kt,' t ca','t ca'); kt=strrep(kt,' t ti','t ti'); kt=strrep(kt,' t ta','t ta');


121

kt=strrep(kt,' kt=strrep(kt,' kt=strrep(kt,' kt=strrep(kt,' kt=strrep(kt,' kt=strrep(kt,' kt=strrep(kt,' kt=strrep(kt,' kt=strrep(kt,' kt=strrep(kt,' kt=strrep(kt,' kt=strrep(kt,' kt=strrep(kt,' kt=strrep(kt,' kt=strrep(kt,' kt=strrep(kt,' kt=strrep(kt,' kt=strrep(kt,' kt=strrep(kt,' kt=strrep(kt,' kt=strrep(kt,' kt=strrep(kt,' kt=strrep(kt,' kt=strrep(kt,' kt=strrep(kt,'

m bang','mbang'); l ya','l ya'); nga la','ngla'); p ta','p ta'); m bar','mbar'); n ding','nding'); n na','n na'); g ge','gge'); n de','nde'); n di','ndi'); n be','nbe'); n mu','nmu'); n ku','n ku'); s ti','sti'); s ta','s ta'); s thi','sthi'); s wa','s wa'); l nga','lnga'); l ya','lya'); p ta','pta'); ha','a '); he','e '); hi','i '); ho','o '); err','');

dokKata{i,1}=kt; i=i+1; end savefile = 'dokKata.mat'; save(savefile,'dokKata'); Judul_t2=uicontrol(f,'style','text','units','norm','back',[.15 .35 .69],'pos',[.0 .0 1 .38],... 'string',dokKata,'fontsize',[13],'fontname','verdana');

19. Implementasi Modul TampilData function tampil(f,info_b1,info_b2, gb1, gb2); Judul_b1=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.0 .86 0.5 .04],... 'string',info_b1,'fontsize',[14],'fontname','verdana'); Judul_b2=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.51 .86 .40 .04],... 'string',info_b2,'fontsize',[14],'fontname','verdana'); subplot('position',[0 0.0 0.5 0.86]); imshow(gb1); subplot('position',[0.5 0.0 0.5 0.86]); imshow(gb2);


Lampiran 3. Data Dokumen Panji Sekar

Citra Dokumen Panji Sekar Halaman 3:

122


123

Tabel Hasil Pengenalan Citra Dokumen Panji Sekar Halaman 3: Baris Karakter Dikenali 1 1 : : adeg-adeg sang pra bu ing ke dhi ri ka dha teng nga na u err err err err err err err 2 tu sa s na sa king ma ka sar PadaLingsa err 3 PadaMadya pandhang ku la err PadaMadya sa mur ma ning ri re sa pa ing ma nis ka dhing wi 4 tu tarung err pa pa ing wu da pa2 na ha wah err err ji err ma sa la sang ka la taling da taling ka1 err PadaLingsa ingndri 5 err na tarung ga2 hi gu PadaLingsa kang si ne wa la ma pa PadaLingsa ing ring git ge ga2 pa :g kang ka ha 6 errnnan su ni jeng gi nu tun ka dhing sa tu gu ra kar ta err err err kang ya ya 7 tarung ing mangkya dhi na ngun ma tarung li PadaLingsa err si nung se kar sa wa sat err PadaMadya mrih ngu 8 err ti ta ta kang ti ni ti PadaLingsa nadyan bu da kar ya tu tu la ddan ing kang 9 noise taling ya adeg-adeg gi la ma pa PadaLingsa taling ha PadaLingsa na ta na ing kar wi nu pus na li kannya 10 li err ta na err ja wi PadaLingsa ri kang sa tur na taling ra errndra PadaLingsa jeng err la la pa nga yun dhing 11 err li PadaLingsa na ga ri da ha PadaLingsa kang ka ping tri ngu ra sa na ing kang me ha sa si err na 12 13 14 15 16 17 18 19 20 21

na ri Si nga se ka PadaLingsa PadaMadya sa yu ha ji kang hu ma err ne ga ha ji PadaLingsa err err samya err dang ru gunta na su la ya err nung gi noise err ri ba pa taling na PadaLingsa ma ma ka err ha tarung ja ta ha gung PadaLingsa ka lu gu ranning na err PadaLingsa pa ti err na ka ring nga na pa rang err mu err PadaLingsa pa ma ra yu ma tu err samya pra dhi taling rang nga yu da err PadaLingsa sa meng ku taling na mring sadya bi napti tapti err si ta su mung gu ning padya PadaLingsa PadaMadya kang pu ni err sa ma pun ma ra ninni err mangkya we dhar su gi PadaLingsa wu tra err gang pa err me sa PadaLingsa hi ka err hur ra taling errnna PadaLingsa ya ta ing kang wi ngu pus kang ngu ngu nung la ma pa PadaLingsa ing ring errt nar pa ti ing jeng Ga da adeg-adeg errnnam Bu ya mi lu hu PadaLingsa err na li ka ha taling ba err err ti te dhakka na pa king bu bu wapca wa pan we dalla na ka1 ing pa nge dha wa pan taling ja err adeg-adeg taling wa par err tir err taling ra kar da err tarung tarung tarung adeg-adeg err err


124

Citra Dokumen Panji Sekar Halaman 4:


125

Hasil Pengenalan Citra Dokumen Panji Sekar Halaman 4: Baris 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

Karakter Dikenali 4 err err err taling ta sanna n la sanna gri na ra na ha ing Ke mi ri PadaLingsa srinnam Bu ha mi ja ha PadaLingsa PadaMadya pu tra jeng la la ka1 err ma sang sanyji PadaLingsa pu tri Ke dhi ri taling sa tarungndra Ki ra na PadaLingsa su ni ka dhi na u sa pa taling ka PadaLingsa sa ma pu na hanta wis da ngu PadaLingsa ka par gi PadaLingsa nya pu tra la ka1 err pu tri PadaLingsa ra err ja pu tra jeng la la PadaLingsa sa mang kya sa ma ngun ku tha sandhak ka sa tri yan ba banyji ngan la na pu ra pra bu Ke mi ri err cu ku sa sa pa err errdya ha la PadaLingsa PadaMadya ka dang ka taling err da ya na samya tu mi ring PadaLingsa ta gu gu su mung taling gang na gri da n ga1 err PadaLingsa Bra ja na ta sa ngi ri taling dda tarung err ngu mar sa sri ka ngu lu PadaLingsa gu ku wung taling nga na gri Ke mi ri err kang taling ganna na pa ra pu tra err we wa PadaLingsa har ja ni pun PadaLingsa mang ka na ing kang wi nar na PadaLingsa ngu pi mi ga1 ya err sa si taling na ba na ga2 tang Ke dhi ri PadaLingsa mung taling gang ing si ti bentar PadaLingsa PadaMadya we sa ka sa gung pung ga pa tang nang ti ya1l err taling ka ri ga1 dda ning err sa ti PadaLingsa ja ya Ba dra err tu wi na pa ra su tra ha talingndha err mung taling gang nang sa sang pra bu PadaLingsa pang nga Panyji sa ma pu na ha nang bil la na har ma Bra ja na ma err err har ya pu Kir santu n wi ru na handa Ga Kar ta la PadaLingsa err err kang pa ra ri su we nu : mung taling gang ing pu ri PadaLingsa bu sa na sri ta wur yan PadaLingsa PadaMadya dhi taling ya err sa si ra na sa ti Ke dhi ri : err ha mang gi PadaLingsa hi du ta ning na taling randra PadaLingsa sa king ma Ka sang wi ji talingl la PadaLingsa sa sa bi PadaLingsa kang ing ngu tus err sa sa ra bya sri na ra sa ti PadaLingsa pra bu Bra ma ku ma ra PadaLingsa err err err err ma ka sar dilya nung PadaLingsa ma ga2 su pra pra wi taling err rang err ing prang err dhi tarung li PadaLingsa tandhing ing sa err err err err brang tang la la nar ngi PadaLingsa da ka ring nga na ing nga taling ma errnyca PadaLungsi PadaMdya ing kang da err err err err err dya ngu ta kya na pa ti PadaLingsa PadaLingsa ta sa sa ra ba Sang Gu na sa taling ra tarungnta err munyja l li ka pra dhi ra talingnna err nga gu na ka sab lembat prapta ni ra pa kya na err err sa ti PadaLingsa PadaLingsa sa ma pu na ha ngi ri ddadya err nende ga1m


126

da err lung taling ma wu PadaLingsa ti ti err err Analisis Hasil Output Pada Dokumen Panji Sekar: No Baris 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 Total

citra 17 10 21 25 25 22 24 22 25 24 25 22 22 26 24 22 26 24 23 32 16 450

Halaman 3 Halaman 4 Jumlah Karakter Jumlah Karakter dikenali benar salah citra dikenali benar salah 1 4 1 0 23 15 2 24 24 19 5 11 10 0 23 23 18 5 22 14 7 26 26 24 2 30 18 7 24 26 18 6 26 16 9 22 25 21 1 24 12 10 22 22 17 5 25 15 9 26 28 18 8 22 20 2 25 26 18 7 25 19 6 26 26 22 4 27 21 3 25 25 22 3 25 20 5 26 28 17 9 25 17 5 25 26 19 6 23 18 4 23 25 18 5 28 21 5 26 27 24 2 25 15 9 24 25 18 6 22 15 7 26 26 19 5 27 18 8 23 28 20 3 25 18 6 24 31 18 6 24 17 6 23 28 19 4 32 20 12 25 25 19 6 18 6 10 23 25 21 2 26 28 19 7 475 130 577 107 320 538 429

PENGENALAN CITRA DOKUMEN SASTRA JAWA KONSEP DAN IMPLEMENTASINYA

Recommend Documents