PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL
Oleh : ACHMAD FAUZI ARIEF 1203 109 007 Dosen Pembimbing : Drs. Nurul Hidayat, M.Kom JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2009
LATAR BELAKANG (1) Pengguna komputer yang cukup diuntungkan adalah kantorkantor dengan segala kegiatannya antara lain kegiatan administrasi, marketing, publikasi dan lain sebagainya. Dari ilustrasi tersebut menggambarkan bagaimana mudahnya pekejaan manusia dengan segala fasilitas. Namun kadang pula muncul kesulitan terutama dalam menghadapi data-data yang menumpuk dan tidak dapat mengolahnya dikarenakan suatu hal antara lain data tersebut berupa file gambar (misal berekstensi bitmap) dan secara terpaksa harus diolah dengan mode gambar pula.
Gambar 1. Salah-satu contoh pengenalan tulisan berupa angka
LATAR BELAKANG (2) Dari situlah dicoba untuk membuat perangkat lunak yang dapat mengolah huruf dalam bentuk tulisan tangan yang berasal dari file gambar menjadi tulisan yang berupa teks digital. Dalam pengkonversian suatu tulisan tangan dalam file gambar menjadi suatu tulisan dalam file teks digital maka pembuatan perangkat lunak ini menggunakan pengolahan citra untuk mengolah tulisan dalam bentuk file gambar tersebut dan hasilnya digunakan sebagai input dari jaringan syaraf tiruan back propagation dengan fungsi sebagai pengambil keputusan. Perangkat lunak ini diletakkan pada sisi server sebuah jaringan komputer yang akan bisa digunakan oleh seluruh client dari jaringan tersebut. Sehingga di perlukan desain web dalam aplikasi tersebut. Agar dapat dipakai oleh beberapa pengguna di berbagai tempat yang berbeda.
RUMUSAN MASALAH Bagaimana mendeteksi citra pengenalan huruf dalam bentuk tulisan tangan yang merupakan objek dari citra tersebut. Bagaimana membuat implementasi yang inputnya merupakan citra dikonversikan menjadi teks digital. Bagaimana menganalisis hasil yang diperoleh dari implementasi pengenalan tulisan.
BATASAN MASALAH
Citra yang digunakan adalah citra hitam-putih (grayscale) berbentuk tulisan dengan latar belakang berwarna terang dan berekstensi bitmap (*.bmp). Huruf tipe tulisan (font) berukuran 10 sampai 50 dan kanvas tulis berukuran 100 x 100 piksel dengan huruf alpabet (A sampai Z latin kecil dan kapital), angka numerik (0 sampai 9) dan tanda baca tanya, seru, koma, titik pada sistem. Alat yang digunakan untuk menulis sebuah teks tulisan tangan adalah sebuah mouse pada komputer. Ketebalan pensil untuk tulisan tangan pada sistem berukuran 5 piksel. Metode yang digunakan untuk pengkonversian teks adalah metode jaringan syaraf tiruan Standart Backpropagation. Implementasi yang digunakan untuk membuat pengkonversian teks tulisan tangan menjadi teks digital adalah Borland Delphi 6 Enterprise.
TUJUAN DAN MANFAAT Tujuan dari tugas akhir ini adalah membuat perangkat lunak untuk mengkonversi teks tulisan tangan dari citra menjadi teks digital. Manfaat yang diperoleh dari tugas akhir ini adalah agar dapat digunakan oleh beberapa user (pengguna) untuk mengolah tulisan tangan dalam bentuk file citra menjadi teks digital dalam kode ASCII, sebagai acuan untuk penelitian lain dengan metode yang berbeda dan sebagai pengembangan perangkat lunak bila hasil tidak memuaskan.
DASAR TEORI (1)
Definisi Perangkat Lunak Perangkat lunak atau piranti lunak adalah program komputer yang berfungsi sebagai sarana interaksi antara pengguna dan perangkat keras. Definisi Teks Teks adalah data yang terdiri dari huruf-huruf yang menyatakan kata-kata atau lambang-lambang untuk berkomunikasi oleh manusia dalam bentuk tulisan. Dalam penulisan tugas akhir ini ada dua teks, antara lain: 1.
2.
Teks tulisan tangan, merupakan data yang terdiri dari hurufhuruf yang menyatakan kata-kata untuk berkomunikasi dalam bentuk tulisan tangan manusia. Teks digital, merupakan data yang terdiri dari huruf-huruf yang menyatakan kata-kata untuk berkomunikasi dalam bentuk tulisan di dalam sistem komputer. Dengan arti lainnya, teks digital adalah suatu jenis penggambaran dari rangkaian huruf pada sistem komputer.
DASAR TEORI (2)
Pengolahan Citra Definisi Citra Citra adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra adalah sebuah fungsi intensitas cahaya dua dimensi f(x,y) dimana x adalah posisi baris dan y adalah posisi kolom sedangkan f adalah fungsi intensitas atau kecerahan dari citra pada koordinat. Representasi Citra Digital Suatu citra agar dapat direpresentasikan secara numerik, maka citra harus didigitalisasi. Citra yang dihasilkan inilah yang disebut citra digital. f (0,1) ... f (0, M − 1) ⎤ ⎡ f (0,0 ) ⎢ f (1,0) f (1,1) ... f (1, M − 1) ⎥⎥ f = [ f ( x, y )] = ⎢ ⎢ ... ⎢ ⎣ f ( N − 1,0)
... ... f ( N − 1,1) ...
⎥ ... ⎥ f ( N − 1, M − 1)⎦
Indeks baris (x) dan indeks kolom (y) menyatakan suatu koordinat titik pada citra. Sedangkan f(x,y) merupakan intensitas (derajat keabuan) pada titik (x,y). Masing-masing titik (x,y) di citra disebut piksel. Jadi citra yang berukuran N x M mempunyai NM buah piksel.
DASAR TEORI (3) Koordinat Citra Digital Koordinat pusat dalam citra digital berada di sudut kiri atas.
Citra Hitam-Putih Citra hitam-putih mempunyai nilai kuantisasi derajat keabuan sampai tingkatan ke-256 artinya mempunyai skala abu dari 0 sampai 255 atau selang [0, 255] dan citra ini membutuhkan 1 byte (8 bit) untuk representasi setiap pikselnya (256 = 28 ).
DASAR TEORI (4) Citra Biner Citra biner adalah citra yang hanya mempunyai dua nilai derajat keabuan: hitam dan putih. Piksel-piksel objek bernilai satu (1) dan piksel-piksel latar belakang bernilai nol (0). Pada waktu menampilkan representasi biner pada citra, nilai nol (0) adalah putih dan nilai satu (1) adalah hitam. Aras Titik Operasi pada aras titik hanya dilakukan pada piksel tunggal di dalam citra. Operasi pada aras titik dinyatakan sebagai:
f B ( x, y ) = Otitik { f A ( x, y )}
yang dalam hal ini fA dan fB masing-masing adalah citra masukan dan
.
citra keluaran, Otitik dapat berupa operasi linear atau nonlinear
DASAR TEORI (5) Grayscaling Dengan menggunakan mengubah representasi nilai-nilai intensitas komponen RGB pada koordinat piksel sebuah citra dapat diubah menjadi citra yang terdiri dari putih dan hitam yang biasanya disebut citra grayscale. dirumuskan sebagai berikut:
Grayscale = 0, 299 R + 0, 587G + 0,114 B atau
R+G + B Grayscale = 3
DASAR TEORI (6) Thresholding Konversi dari citra hitam-putih menjadi citra biner dilakukan dengan operasi pengambangan (thresholding). Fungsi Thresholding: f B ( i, j ) =
f (i, j )≤T {1,0,........ .......lainnya.... g
dalam hal ini, fg(i,j) adalah citra hitam-putih, fB(i,j) adalah citra biner dan T adalah nilai ambang yang dispesifikasikan. Objek dibuat berwarna gelap (1 atau hitam) sedangkan latar belakang terang (0 atau putih). Segmentasi Citra Segmentasi citra merupakan suatu proses yang membagi citra ke dalam beberapa bagian yaitu bagian yang diperlukan dan bagian yang tidak diperlukan.
DASAR TEORI (7) Cropping Cropping pada pengolahan citra berarti memotong satu bagian dari citra sehingga diperoleh citra yang diharapkan. Ukuran Cropping citra dapat dirumuskan sebagai berikut:
w ' = ( X R − X L ) +1
h ' = (YB − YT ) + 1
Normalisasi Normalisasi pada pengolahan citra berarti mentransformasikan citra ke bentuk citra normal yang sesuai dengan kebutuhan. Sistem ini menggunakan penskalaan dari citra semula ke bentuk citra normalisasi.
x ' = S x .x
y' = S y .y
DASAR TEORI (8) Ekstraksi Ciri
Ekstraksi ciri pada pengolahan citra berarti mengubah nilai-nilai intensitas koordinat piksel yang terdapat dalam citra menjadi susunan kode-kode nilai pada setiap piksel. Nilai setiap titik koordinat piksel huruf diberi kode satu (1) untuk warna hitam dan kode minus satu (-1) untuk warna putih sesuai dengan fungsi aktivasi pada jaringan syaraf tiruan. Di-fungsi-kan sebagai berikut: f ( i, j ) =
0.......... { −1,1,........ ff ((ii,, jj))=..lainnya
DASAR TEORI (9)
Jaringan Syaraf Tiruan Arsitektur Jaringan syaraf tiruan menggunakan tipe multi-layer yaitu menggunakan layerlayer antara lain: input layer (Xi), hidden layer (Zj) dan output layer (Yk), bias pada unit output ke-m (wpm) dan bias pada unit hidden ke-p (vnp).
DASAR TEORI (10) Fungsi Aktivasi Fungsi aktivasi untuk jaringan backpropagation memiliki beberapa karakteristik yang penting. Salah satu tipe fungsi aktivasi yang paling banyak digunakan adalah fungsi sigmoid biner, yang mempunyai interval (-1,1) dan didefinisikan sebagai berikut: f 2 (x ) =
2 −1 1 + exp(− x )
dan dengan f 2 ' (x ) =
1 [1 + f 2 ( x)][1 − f 2 (x )] 2
DASAR TEORI (11) Algoritma Training Step 0. Inisialisasi nilai bobot dengan nilai acak yang kecil. Step 1. Selama kondisi berhenti belum terpenuhi, lakukan step 2-9. Step 2. Untuk setiap pasangan training, lakukan step 3-8. Feedforward (umpan maju): Step 3. Untuk setiap unit input (Xi, i = 1,…,n) menerima sinyal input xi dan menyebarkan sinyal itu keseluruh unit pada layer atasnya (hidden layer). Step 4. Untuk setiap unit hidden (Zj, j = 1,…,p) jumlahkan nilai input dengan menggunakan nilai bobotnya, n
z _ in j = v0 j + ∑ xi vij i =1
Kemudian dihitung nilai output dengan menggunakan fungsi aktivasi,
z j = f ( z _ in j )
Dan hasil fungsi tersebut dikirim ke semua unit pada layer di atasnya (unit output).
DASAR TEORI (12) Step 5. Untuk Setiap unit output (Yk, nilai bobot-nya.
k
= 1,...,m) jumlahkan nilai input dengan menggunakan
p
y _ ink = w0 k + ∑ z j w jk j =1
Kemudian dihitung nilai output dengan menggunakan fungsi aktivasi,
yk = f ( y _ ink )
Kesalahan backpropagation (error): Step 6. Untuk setiap unit output (Yk, k = 1,...,m) menerima pola target yang bersesuain dengan pola input dan kemudian dihitung informasi kesalahan,
δ k = (tk − yk ) f '( y _ ink )
Hitung koreksi nilai bobot yang kemudian akan digunakan untuk memperbaharui nilai bobot wjk,
∆w jk = αδ k z j Hitung koreksi nilai bias yang kemudian akan digunakan untuk memperbaharui nilai w0k,
∆w0k = αδ k Dan kemudian nilai δ k dikirim ke unit pada layer sebelumnya.
DASAR TEORI (13) Step 7. Untuk setiap unit hidden (Zj, j = 1,…,p) jumlahkan delta input yang berasal dari unit pada layer di atasnya, m
δ _ in j = ∑ δ k w jk k =1
Kalikan dengan nilai turunan dari fungsi aktivasi untuk menghitung informasi kesalahan,
δ j = δ _ in j f '( z _ in j ) Hitung koreksi nilai bobot, kemudian akan digunakan untuk memperbaharui nilai bobot vij,
∆vij = αδ j xi
Hitung koreksi nilai bias, kemudian akan digunakan untuk memperbaharui nilai v0j,
∆v0 j = αδ j
Memperbaharui bobot dan bias (Update): Step 8. Setiap unit output (Yk, k = 1,...,m) membaharui bobot dan biasnya (j = 0,...,p):
w jk (baru ) = w jk (lama ) + ∆w jk Setiap unit hidden (Zj, j = 1,…,p) membaharui bobot dan biasnya (i = 0,...,n):
vij (baru ) = vij (lama ) + ∆vij Step 9. Kondisi pengujian berhenti.
DASAR TEORI (14) Catatan dalam algoritma training standart backpropagation: Gradient Descent. Fungsi gradient descent adalah untuk mengurangi atau meminimalkan nilai error target berikutnya. Error target dirumuskan sebagai berikut:
1 n E = ∑ (tk − yk ) 2 2 k =1 Random Initialization. Dan untuk menentukan inisialisasi bobot, bobot awal dicari secara acak (random initialization) dengan nilai antara -0.5 untuk negatif dan 0.5 untuk positif (atau antara -1 dan 1 atau nilai lainnya sesuai dengan interval). Epoch. Merupakan salah satu siklus perputaran melalui setiap set vektor training. Hamming Distance. Perbedaan jumlah bit dalam dua vektor biner atau bipolar. Nilai rata-rata vektor hamming distance adalah:
1 H [ x1 , x2 ] n
ANALISIS SISTEM
DESAIN PERANGKAT LUNAK
UJI COBA PERANGKAT LUNAK (1)
Inisialisasi masukan, antara lain: Inisialisai pengkonversian teks. 1. B&W Threshold dengan 196. 2. Noise Threshold dengan 10. 3. Space Width dengan 22. Inisialisasi parameter set training. 1. Learning Rate dengan 0,001. 2. Weights Initialization Factor dengan 0,5. 3. Error Threshold dengan 1. 4. Target Classification Error dengan -1. 5. Target Squared Error dengan 0,01. 6. Maximum Epochs dengan 100. Inisialisasi arsitektur jaringan. 1. Input Pattern dengan tinggi dan lebar citra 20 x 20. 2. Target Pattern dengan tinggi dan lebar citra 20 x 20. 3. Number of Input Neuron dengan 400. 4. Number of Hidden Neuron dengan 50. 5. Number of Output Neuron dengan 400.
UJI COBA PERANGKAT LUNAK (2) Pengambilan Data Mempersiapkan citra berotasi dengan 3 putaran arah, yaitu: 0, 5 dan 355. Membuat citra berbentuk pola lainnya secara real time pada setiap huruf/simbol. Menghasilkan jumlah keseluruhan epoch 164000, jumlah keseluruhan squared error 0,1031610851753050 dan jumlah keseluruhan klasifikasi piksel error 5,4930% dengan neuron error 36032 dan jumlah output neuron 656000.
Pengenalan Huruf Citra uji sebanyak 3280 citra huruf dengan 1640 citra dari data referensi dan 1640 citra dari pola huruf tulisan tangan secara real time. Hasil uji coba pengenalan huruf menggunakan proses testing mendapatkan prosentasi rata-rata sebesar 66,58%.
UJI COBA PERANGKAT LUNAK (3)
Pengkonversian Teks
Hasil uji coba pengkonversian teks mendapatkan prosentasi sebesar 50,00%. Analisis huruf yang tidak dikenali oleh sistem.
Dalam perhitungan backpropagation nilai vektor-vektor huruf h kecil mendapatkan nilai rata-rata hamming distance sebesar 27 / 400, nilai dari huruf h kecil tersebut adalah nilai paling kecil dibanding nilai-nilai huruf/simbol lainnya dan dikenali dengan nilai vektor-vektor huruf i kecil.
KESIMPULAN
Penggunaan proses training untuk mengambil data referensi bersifat real time dan non real time menghasilkan jumlah keseluruhan epoch 164000, jumlah keseluruhan squared error 0,1031610851753050 dan jumlah keseluruhan klasifikasi piksel error 5,4930%. Penggunaan proses testing menggunakan hamming distance ini dapat dinyatakan cukup baik, hal ini dibuktikan pada total prosentasi rata-rata pengenalan huruf sebesar 66,58% dan pengkonversian teks sebesar 50,00%. Pada saat proses training perputaran epoch akan berhenti sendiri bila bobot tersebut memiliki bobot yang baik dan bila bobot tersebut belum memiliki bobot yang baik, proses training akan berhenti sendiri dengan batas maksimum epoch yang telah diatur. Besarnya ukuran penulisan huruf mempengaruhi hasil pengkonversian teks dikarenakan pengecilan nilai kode-kode bit ke input pattern pada proses testing. Pembacaan teks pada program ini sebaris, yaitu tulisan sederet dengan barisan huruf yang lain agar tidak bertabrakan dengan barisan huruf lainnya. Pembacaan teks pada program ini satu huruf, yaitu tulisan huruf tidak boleh gandeng karena sistem akan membaca dengan satu huruf. Pengaturan input dan target pattern pada pengkonversian teks disesuaikan dengan input dan target pattern pada pengambilan data huruf.
SARAN
Untuk mendapatkan data training yang banyak dan cepat pada saat proses training backpropagation diharapkan menggunakan implementasi yang baik. Untuk mendapatkan hasil yang memuaskan diharapkan pada inisialisasi parameter dan arsitektur jaringan backpropagation saat proses training diatur dengan baik dan memperbanyak data referensi yang akan digunakan. Ada baiknya melakukan pengembangan perangkat lunak yang terdapat fasilitas tulisan berwarna dan merotasi huruf, sehingga citra dapat masuk ke perangkat lunak ini tanpa harus menggunakan aplikasi lain.
DAFTAR PUSTAKA (1) [1] Fausett, L. (1994). Fundamentals of Neural Network. Prentice-Hall International, Inc., Florida Institut of Technology. [2] Munir, Rinaldi. (2004). Pengolahan Citra Digital dengan Pendekatan Algoritmik. Informatika, Bandung. [3] Pranata, A. (2003). Pemrograman Borland Delphi. Andi Yogyakarta, Jogyakarta. [4] Kristianto, Yusuf. (1999). Pembuatan Perangkat Lunak untuk Pengenalan Huruf dengan Jaringan Saraf Tiruan. Tugas Akhir, Jurusan Matematika, ITS, Surabaya. [5] Wardhana, Adhitya Aris. (2004). Jaringan Syaraf Tiruan untuk Pengenalan Pola Tulisan Tangan menggunakan Metode Backpropagation dengan Fungsi Aktifasi Sigmoid. Tugas Akhir, Jurusan Fisika, ITS, Surabaya. [6] Susilo, Yosef Herry. (1998). Pengenalan Huruf dengan Pengolahan Citra melalui Kamera. Tugas Akhir, Jurusan Teknik Elektro, PENS-ITS, Surabaya.
DAFTAR PUSTAKA (2) [7] Oktavia, N.Y, Zakky, A, Sigit, R, Huda, M. (2002). Aplikasi Jaringan Syaraf Tiruan untuk Pengenalan Huruf pada Pengolahan Citra Digital Berbasis Web. Makalah Tugas Pendahuluan Proyek Akhir, Jurusan Telekomunikasi, PENS-ITS, Surabaya. [8] Ni, Dong Xiao. (2007). Application of Neural Networks to Character Recognition. Seidenberg School of CSIS, Pace University, White Plains, New York. [9] Mamedov, F, Abu Hasna, J. F. Character Recognition Using Neural Networks. Near East University, North Cyprus, Turkey. [10] Budhi, G.S, Gunawan, I, Jaowry S,. Metode Jaringan Saraf Tiruan Backpropagation untuk Pengenalan Huruf Cetak pada Citra Digital,
.
TERIMA KASIH
