BAB IV HASIL DAN PEMBAHASAN
4.1 Data
Data yang digunakan dalam penelitian ini adalah dataset hasil penelitian yang diperoleh dari LPPM USD dengan judul “Segmentasi Citra Daun Lontar” dengan nomor penelitian: 02/LPPM-USD./III/2019. Pada data tersebut terlihat bahwa tulisan aksaranya terbalik maka perlu dilakukan proses rotasi terlebih dahulu.
Gambar 4.1 Citra Daun Lontar 4.2 Preprocessing
Pada tahap Preprocessing akan memiliki beberapa tahap yaitu tahap rotasi, grayscalling, binerisasi dan reduksi noise. Berikut ini adalah beberapa hasil dari tahap preprocessing :
4.2.1 Rotasi
Data yang telah di dapatkan akan di rotasi terlebih dahulu dengan menggunakan perintah matlab imrotate. Perlu dilakukan karena tulisan aksara tersebut terbalik.
Gambar 4.2 Citra Hasil Rotasi
4.2.2 Grayscaling
Langkah selanjutnya setelah citra di rotasi lalu ubah citra menjadi citra skala keabuan. Proses ini disebut dengan grayscale yang menggunakan fungsi rgb2gray pada matlab.
Gambar 4.3 Citra Hasil Grayscale 4.2.3 Binerisasi
Gambar 4.4 Citra Hasil biner
Gambar 4.4 diatas merupakan hasil binerisasi menggunakan fungsi im2bw dari matlab. Serta menggunakan fungsi imcomplement agar objek bernilai 1 dan background bernilai 0. Dimana 1 berwarna putih dan 0 berwarna hitam. Pada gambar diatas terdapat 1248 objek. Jika gambar 4.4 diatas diperbesar maka terlihat ada noise atau objek yang tidak dibutuhkan. Noise dapat dilihat pada gambar dibawah ini :
Gambar 4.5 contoh noise 4.2.4 Reduksi Noise
Setelah dilakukan proses binerisasi, maka selanjutnya dilakukan proses reduksi noise agar menghilangkan sisa noise yang ada pada citra.
Gambar 4.6 hasil reduksi noise
Pada gambar 4.6 diatas merupakan hasil reduksi noise dari hasil binerisasi. Dapat dibuktikan dengan cara gambar 4.6 diatas diperbesar maka akan terlihat noise yang ada pada gambar 4.5 terlihat hilang pada gambar 4.6 diatas serta dapat dilihat pada jumlah objek yang berkurang. Pada gambar 4.5 terdapat 1248 objek sedangkan pada gambar 4.6 diatas terdapat 218 objek.
4.3 Tahap Segmentasi Profil Proyeksi
Setelah proses preprocessing dilakukan, maka selanjutnya masuk ke tahap segmentasi yang menggunakan Profil Proyeksi . Tahap pertama adalah segmentasi baris menggunakan proyeksi horizontal dan proyeksi vertikal, lalu tahap ke dua segmentasi aksara aksara menggunakan proyeksi Horizontal.
4.3.1 Segmentasi baris
Pertama citra yang telah di preprocessing akan dilakukan proses proyeksi Horizontal dengan code sebagai berikut :
Gambar 4.7 Implementasi Proyeksi Horizontal
Berikut ini code implementasi pemotongan kolom menggunakan proyeksi horizontal :
Gambar 4.8 Implementasi Pemotongan Proyeksi Horizontal
Pada gambar 4.8 diatas merupakan code untuk memotong citra secara horizontal sebanyak 8 potongan. Mengapa hanya 8 potongan karena jika lebih dari 8 potong bisa saja dapat batas nilai max atau nilai min yang melebihi dari grafik hasil proyeksi horizontal sehingga ada citra yang tidak bisa dipotong karena batasnya melebihi dari grafik proyeksi horizontal. Berikut ini beberapa hasil dari potong proyeksi horizontal yang terdiri dari 8 potong yaitu :
Gambar 4.9 Hasil pemotongan proyeksi horizontal
Setelah dapat hasil dari pemotongan proyeksi horizontal maka akan dilakukan proses proyeksi vertikal sehingga setiap hasil dari potongan horizontal akan dapat baris dari setiap potongan citra tersebut. Lalu cara kerja proyeksi vertikal adalah menghitung jumlah piksel hitam dari setiap baris piksel dari hasil potongan proyeksi horizontal. Berikut adalah code atau implementasinya :
Gambar 4.10 Implementasi Proyeksi Vertikal
Berikut code atau implementasi pemotongan secara proyeksi vertikal :
Gambar 4.11 Implementasi Pemotongan Proyeksi Vertikal
Pada gambar 4.11 adalah implementasi pemotongan proyeksi vertikal. Inputan dalam gambar diatas adalah hasil potongan dari proyeksi horizontal agar nanti diproses menggunakan proyeksi vertikal untuk mendapatkan hasil segmentasi barisnya.
Berikut ini adalah hasil pemotongan proyeksi vertikal dari citra hasil pemotongan proyeksi horizontal :
Gambar 4.12 hasil pemotongan proyeksi vertikal pada citra potangan horizontal pertama.
Gambar 4.13 hasil pemotongan proyeksi vertikal pada citra potangan horizontal kedua
Gambar 4.14 hasil pemotongan proyeksi vertikal pada citra potangan horizontal ketiga
Gambar 4.15 hasil pemotongan proyeksi vertikal pada citra potangan horizontal ke empat
Gambar 4.16 hasil pemotongan proyeksi vertikal pada citra potangan horizontal ke lima
Gambar 4.17 hasil pemotongan proyeksi vertikal pada citra potangan horizontal ke enam
Gambar 4.18 hasil pemotongan proyeksi vertikal pada citra potangan horizontal ke tujuh
Gambar 4.19 hasil pemotongan proyeksi vertikal pada citra potangan horizontal ke delapan.
Setelah dapat hasil segementasi proyeksi vertikal maka selanjutnya menggabungkan setiap baris. Untuk citra yang menghasilkan baris 1 akan digabungkan semua yang menghasilkan baris 1 dan begitu juga untuk baris 2, baris 3,baris 4 akan digabungkan dengan hasil baris yang sama. Untuk pemgabungan mengunakan tanda kurung siku ([]) untuk dapat menggabungkankan baris per barisnya. Berikut code yang digunakan untuk menggabungkan baris per baris.
Gambar 4.20 Implementasi untuk pengabungan hasil proyeksi vertikal
Gambar diatas merupakan proses atau langkah untuk mendapatkan hasil segmentasi baris dari hasil penggabungkan proyeksi vertikal. Berikut adalah hasil gabungan baris per barisnya :
Gambar 4.21 hasil gabungan proses segmentasi proyeksi vertikal baris 1
Gambar 4.22 hasil gabungan proses segmentasi proyeksi vertikal baris 2
Gambar 4.23 hasil gabungan proses segmentasi proyeksi vertikal baris 3
Gambar 4.24 hasil gabungan proses segmentasi proyeksi vertikal baris 4
4.3.2 Segmentasi aksara
Setelah mendapatkan hasil baris dari proses segmentasi baris maka selanjutnya akan diproses untuk segmentasi aksara aksara bali dengan menggunakan proyeksi horizontal. Beriktu code yang akan digunakan :
Gambar 4.25 implementasi potong aksara baris menggunakan proyeksi horizontal
Pada gambar 4.25 atas merupakan cara pemotongan aksara aksara dengan proyeksi horizontal. Untuk cara pemotangannya yaitu cari nilai proyeksi horizontal lalu jika nilai hasil proyeksi horizontal tidak dengan nol maka nilai tersebut akan diubah menjadi 1 dan dimasukan kedalam tempHP. Lalu tentukan batas atas dan batas bawah dengan cara jika nilai pada tempPH tidak sama dengan nilai awal yang kita masukkan yaitu nilai nol maka nilai tersebut menjadi batas atas dan untuk batas bawah jika nilai pada tempPH sama dengan nilai awal maka itu jadi batas bawah. Berikut beberapa contoh hasil segmentasi potong aksara baris :
Tabel 4.1 Hasil segmentasi aksara
No. Hasil Potong
4.4 Tahap Evaluasi kinerja Sistem
Proses pengukuruan akurasi dengan cara hitung jumlah citra benar dari hasil segmentasi aksara dan jumlah objek citra asli. Berikut hasil akurasinya:
Tabel 4.2 Pengujian Akurasi
7
Pada tabel diatas rata-rata nilai akurasinya 90%. Pada hasil segmentasi aksara terdapat ada 2 huruf di dalam 1 hasil segmentasi aksara dan juga ada hasil citranya terbagai menjadi 2 bagian dalam hasil segmentasi aksaranya.
Pada hasil segmentasi baris ada huruf yang di baris lain masuk ke dalam salah satu hasil segmentasi baris. Pada hasil segmentasi aksara terdapat huruf askara yang hilang contohnya pada citra aksara kuno 2 dan aksara kuno 7.
Pada citra aksara kuno 2 dan 7 tersebut ada objek yang hilang dari hasil jumlah citra aksara dikarenakan proses binerisasi dan reduksi noise yang menyebabkan ada beberapa objek yang hilang. Lalu pada hasil jumlah citra yang benar lebih dikit dari jumlah citra aslinya dikarenakan ada 2 huruf aksara dalam 1 hasil segmentasi aksara itu yang menyebabkan jumlah citra benar lebih dikit dari jumlah citra asli. Miskipun hurufnya aksaranya ada tapi dalam hasil segmentasi aksara itu terbaca 1 hasil.
32 BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil pengujian 15 data citra daun lontar dalam penelitian segmentasi aksara bali pada daun lontar tersebut menggunakan profil proyeksi, diperoleh akurasi rata-rata segmentasi sebesar 90%. Maka disimpulkan bahwa proyeksi profil dapat digunakan sebagai metode untuk membantu proses segmentasi citra aksara bali dari citra daun lontar.
5.2 Saran
Berikut ini beberapa saran bagi penelitian berikutnya untuk melanjutkan segmentasi citra askara bali pada citra daun lontar :
1. Dapat digunakan metode binerisasi lain yang memungkinkan pixel-pixel objek pada hasil binerisasi citra daun lontar masih terjaga dengan baik.
2. Masih perlu dilakukan percobaan dengan berbagai metode untuk proses reduksi noise sehingga diperoleh citra daun lontar yang lebih bersih untuk diproses secara lebih lanjut.
3. Pada beberapa hasil segmentasi masih ada aksara yang seharusnya muncul di baris lain, namun masuk ke dalam hasil segmentasi baris, dan masih ada aksara yang bergabung menjadi 1 segmen dengan aksara lain, maka masih perlu dikembangkan lagi proses untuk mengecek kesalahan-kasalahan segmentasi tersebut diatas serta memperbaiki kesalahan tersebut.
33
DAFTAR PUSTAKA
Surinta, O.., Rapeeporn C. (2009). Image Segmentation of Historical Handwriting from Palm leaf Manuscripts. The International Federation for Information Precessing, Volume 288.
Widiarti, A. R(2007). Segmentasi Citra Dokumen Teks Sastra Jawa Modern Mempergunakan Profil Proyeksi. SIGMA, Vol. 10, No- 2, Juli 2007:167-176
Widiarti, A. R. (2013). Line Segmentation of Javanese Image of Manuscripts in Javanese Scripts. International Journal of Engineering Innovation &
Research Volume 2, Issue 3, ISSN: 2277 – 5668 Line, 2(3), 239–244.
Widiarti, A. R(2006). “Pengenalan Citra Dokumen Sastra Jawa Konsep dan Implementasinya”, Tesis, Kelompok Bidang Ilmu Matematika dan Pengetahuan Alam Universitas Gadjah Mada, Yogyakarta.
Wirayati, M. A. (2011). Konservasi Manuskrip Lontar. Visi Pustaka, 13(2),1.
Dipetik desember 5, 2019, dari
http://old.perpusnas.go.id/Attachment/MajalahOnline/Made_Ayu_Wiray ati_ Konservasi_manuskrip_Lontar
Zramdini, Abdel Wahab and R. Ingold (1993). Optical Font Recognition from Projection Profiles. Electron. Publ. 6 : 249-260
34 LAMPIRAN A. Listing Program
1. Code binerisasi dan reduksi noise
2. Code profil proyeksi horizontal
3. Code pemotongan secara proyeksi horizontal
4. Code proyeksi vertikal
5. Code pemotongan secara proyeksi vertikal
6. Code penggabungan hasil proyeksi vertikal
7. Code segmentasi aksara
B. Hasil Segmentasi 1. Hasil segmentasi baris
“kuno
“kuno
“kuno
“kuno
2. Hasil segmentasi aksara
Aksara Kuno 1
Aksara kuno 2
Aksara kuno 3
Aksara kuno 4
Aksara kuno 5
Aksara kuno 6
Aksara kuno 7
Aksara kuno 8
Aksara kuno 9
Aksara kuno 10
Aksara kuno 11
Aksara kuno 12
Aksara kuno 13
Aksara kuno 14
Aksara kuno 15