Rekognisi karakter optik merupakan salah satu aplikasi pengenalan pola yang

Aplikasi Jaringan Saraf Tiruan dalam Rekognisi Karakter Numerik Berbasis Citra

17

BAB II REKOGNISI KARAKTER NUMERIK

2.1 Gambaran Singkat Rekognisi Karakter Optik Rekognisi karakter optik merupakan salah satu aplikasi pengenalan pola yang dirancang untuk menerjemahkan teks baik berupa tulisan tangan maupun typewritten text ke dalam data digital yang dimengerti oleh komputer. Teks yang tersebut bisa berupa huruf, angka, tanda baca, ataupun simbol-simbol tertentu. Berdasarkan cara mendapatkan inputnya, rekognisi karakter optik dikategorikan ke dalam dua bagian yaitu offline dan online recognition [2]. Pada offline recognition¸ input yang digunakan dipindai dengan menggunakan scanner sebelum diproses. Sedangkan dalam online recognition, input langsung didapatkan pada saat input tersebut dituliskan di atas layar sentuh (touch screen). Kualitas input akan menentukan kinerja dari sistem rekognisi karakter optik yang dibangun. Sistem rekognisi karakter optik pertama kali dimanfaatkan secara komersial oleh Reader Digest pada tahun 1954. Sistem ini mengkonversi laporan penjualan yang


18

berupa tulisan tangan ke dalam komputer. Rekognisi karakter optik terus berkembang dan telah dimanfaatkan secara luas di bidang industri. Contohnya, dalam melakukan penyortiran surat di United States Postal Service dan British General Post Office. Sistem rekognisi karakter optik tersebut melakukan penyortiran dengan cara membaca nama, alamat, dan kode pos yang tertera pada amplop.

Di bidang

perbankan, sistem rekognisi karakter optik dimanfaatkan untuk mengenali tanda tangan dan nominal yang ditorehkan di atas lembaran cek.

Gambar 2.1 Contoh Aplikasi Sistem Rekognisi Karakter Numerik [3]


19

2.2 Metode dalam Rekognisi Karakter Optik Secara umum, sistem rekognisi karakter optik terdiri dari beberapa komponen seperti yang tampak pada Gambar 2.2 berikut.

Gambar 2.2 Komponen-komponen Rekognisi Karakter Optik [4]

Data analog ditangkap melalui optical scanning dan dikonversikan ke dalam bentuk citra digital. Citra ini kemudian dikonversikan ke dalam gray-levels. Selanjutnya pada citra masukan dilakukan proses thresholding yang akan mengkonversikannya ke dalam citra bilevel, hitam dan putih. Apabila nilai pixel pada citra gray-levels berada di bawah nilai ambang (threshold), maka pixel tersebut akan berwarna hitam. Sebaliknya, jika berada di atas nilai ambang maka pixel tersebut berwarna putih (Gambar 2.3).


20

Gambar 2.3 Konversi Citra Masukan (atas) ke Bilevel (Bawah)

Segmentasi merupakan sebuah proses untuk menentukan unsur-unsur pokok dari citra. Hal ini bertujuan untuk memisahkan antara data dengan objek lain dari citra seperti gambar dan grafik yang tidak dibutuhkan. Sebagai contoh, dalam proses penyortiran surat. Data berupa alamat, haruslah dipisahkan dari objek lain yang tertera di atas amplop. Misalnya, cap pos, logo perusahaan, dan lainnya. Jika diaplikasikan dalam teks, maka isolasi bertujuan untuk mengisolasi dari karakter dan kata dari teks (Gambar 2.4).

Gambar 2.4 Segmentasi Karakter


21

Citra yang dihasilkan dari proses pemindaian boleh jadi masih mengandung sejumlah noise. Selain itu, karakter yang dihasilkan dari proses thresholding juga dapat menyebabkan karakter menjadi rusak sehingga mengurangi kualitas rekognisi karakter. Untuk mengantisipasi hal ini, dapat dilakukan pelembutan citra (smoothing) menggunakan berbagai metode seperti Gaussian blur.

Gambar 2.5 Normalisasi dan Pelembutan Citra Karakter

Sebagai tambahan, pada saat dilakukan proses pelembutan juga dilakukan normalisasi. Proses normalisasi bertujuan untuk menyeragamkan ukuran, kemiringan, dan rotasi karakter. Transformasi Hough digunakan untuk mendeteksi kemiringan citra hasil pemindaian. Sementara agar rotasi dapat dilakukan, sudut rotasi harus ditemukan terlebih dahulu. Sayangnya, sudut rotasi sulit ditemukan sebelum karakter dapat dikenali. Tujuan dari feature extraction adalah untuk menangkap ciri tertentu dari suatu karakter. Terdapat tiga teknik yang umumnya dipakai dalam feature extraction, yaitu: 1. Distribusi titik (distribution of points) 2. Transformations and series axpansions 3. Analisa struktural


22

Selanjutnya, recognition dan post-processing. Pada proses rekognisi digunakan berbagai metode mulai dari Bayesian hingga JST. Model JST merupakan metode yang paling sering digunakan karena kemudahan dan keakuratannya dalam melakukan pengenalan pola, termasuk pola karakter. Masing-masing pixel dalam pola menjadi input untuk masing-masing neuron dalam layar input jaringan.

CITRA INPUT

LAYAR INPUT (4 neuron)

LAYAR TERSEMBUNYI (2 neuron)

LAYAR OUTPUT (3 neuron)

Gambar 2.6 Contoh Penggunaan JST dalam Rekognisi [5]

Tahap terakhir, post-processing. Di sini dilakukan evaluasi kinerja sistem rekognisi karakter optik yang telah dibangun dengan menggunakan ketiga faktor berikut: 1. Recognition rate, yaitu jumlah dari karakter yang berhasil dikenali. 2. Rejection rate, yaitu jumlah dari karakter yang tidak berhasil dikenali.


23

3. Error rate, yaitu jumlah dari karakter gagal atau error saat dikenali. Misalkan tidak dapat dideteksi oleh sistem karena karakter tersebut rusak pada saat dilakukan pemindaian.

2.3 Rekognisi Karakter Numerik Rekognisi karakter numerik merupakan bagian dari sistem rekognisi karakter optik. Jika rekognisi karakter optik umumnya bertujuan untuk mengenali teks berupa huruf alphabet dan tanda baca, maka sesuai namanya, rekognisi karakter numerik lebih difokuskan untuk mengenali karakter berupa angka numerik 0 – 9. Mengenali kode pos seperti contoh di atas ataupun mengenali nomor telepon pada kertas fax, merupakan contoh aplikasi rekognisi karakter numerik dalam kehidupan.


24

Gambar 2.7 Contoh Program Aplikasi Rekognisi Karakter Optik

Dari segi teknik pemrosesan, komponen-komponen dalam rekognisi karakter numerik tidak jauh berbeda dengan komponen-komponen rekognisi karakter optik, yaitu: optical scanning, location segmentation, preprocessing, feature extraction, recognition, dan post-processing.

Gambar 2.8 Proses Segmentasi pada Rekognisi Karakter Optik

Rekognisi karakter optik merupakan salah satu aplikasi pengenalan pola yang

Recommend Documents