BAB IV HASIL DAN ANALISA
4.4 Pembuatan Template Database
Model atau metode pengenalan pola pada penelitian ini menggunakan pendekatan template matching. Pendekatan template matching dipilih karena paling mudah untuk diterapkan. Prinsip pendekatan template matching untuk klasifikasi adalah mengukur kedekatan / kesamaan (similarity) antar objek atau entities yang diperbandingkan. Objek yang diperbandingkan adalah data uji yang akan dikenali dengan template yang sudah disimpan.
Data yang akan digunakan untuk membuat template database adalah citra nama jalan namun data yang dipakai berbeda dengan data yang digunakan untuk data uji (testing). Jumlah citra yang digunakan untuk pembuatan template database sekitar 100 buah. Dari jumlah citra tersebut dapat dibuat 100 aksara untuk database template. Langkah-langkah dalam pembuatan template database seperti pada blok diagram pada Gambar 3.1 dan blok diagram pada Gambar 3.2.
Gambar 4.10 Citra Jalan Menteri Supeno
Gambar 4.10 adalah citra nama Jalan Menteri Supeno. Citra diambil menggunakan kamera smarthpone dengan resolusi sebesar 4096 x 2304
pixels. Citra tersebut diambil pada tanggal 22 Januari 2017 pada pukul 06:39
WIB. Jarak pengambilan gambar kurang lebih 50 cm dari tiang nama jalan. Proses selanjutnya adalah cropping untuk mengambil objek tulisan dengan aksara Jawa. Untuk data template, proses cropping yang dilakukan sedikit berbeda dengan data uji, yaitu citra aksara dipotong per aksara. Sebagai contoh, kita akan menyimpan aksara su pada citra Jalan Menteri
Supeno, maka kita hanya melakukan cropping pada suku kata su yang terdapat pada citra.
inImage = imread('../Citra nama jalan/training/su.jpg');
Gambar 4.11 Hasil Cropping Citra Jalan Menteri Supeno
Gambar 4.11 merupakan citra hasil cropping pada Gambar 4.10 untuk mendapatkan suku kata su yang akan disimpan sebagai database template. Setelah di-crop maka ukuran citra aksara su adalah 330 x 223 pixels.
Setelah proses cropping, maka dari citra berwarna akan diubah menjadi citra abu-abu. Fungsi untuk mengubah citra berwarna menjadi citra abu-abu atau grayscale menggunakan fungsi rgb2gray() pada Matlab.
inImage = imread('../Citra nama jalan/training/su.jpg');
im_gray = rgb2gray(inImage); imshow(im_gray);
Gambar 4.12 Citra Abu-Abu Aksara Su
Gambar 4.12 merupakan representasi dari citra keabuan yang diperoleh dengan mengubah Gambar 4.1. Hal tersebut dapat dibuktikan dengan nilai variabel im_gray yang sebelumnya nilai variabel B adalah 330x223x3
uint8 menjadi 330x223 uint8 yang menandakan citra tersebut terdiri
dari 1 komponen warna.
Tahap selanjutnya adalah mengubah citra abu-abu menjadi citra biner. Fungsi untuk mengubah citra abu-abu menjadi citra biner atau citra hitam- putihmenggunakan fungsi im2bw() pada Matlab.
inImage = imread('../Citra nama jalan/training/su.jpg');
im_gray = rgb2gray(inImage); im_bw = im2bw(im_gray); imshow(im_bw);
Gambar 4.13 Citra Biner Aksara Su
Gambar 4.13 merupakan representasi dari citra biner yang diperoleh dengan mengubah citra abu-abu pada Gambar 4.12. Hal tersebut dapat dibuktikan dengan nilai variabel im_gray adalah 330x223 uint8 menjadi 330x223 logical yang artinya citra tersebut terdiri dari nilai 1 dan 0. Nilai 1 merepresentasikan warna putih sedangkan nilai 0 merepresentasikan warna hitam.
Setelah diperoleh citra hitam-putih maka tahap selanjutnya adalah membuang background yang tidak perlu agar citra yang diperoleh benar- benar tepat pada aksaranya saja sekaligus proses resizing citra supaya berukuran 100 x 110 pixels. Setelah proses resizing lalu tahap feature
extraction menggunakan metode ICZ-ZCZ. Langkah ini merupakan proses
yang sama ketika melakukan segmentasi terhadap citra data uji.
Di dalam pembuatan template database ini, data yang disimpan bukanlah objek citranya namun feature dari objek citra yang diperoleh dari proses ekstraksi ciri menggunakan metode ICZ-ZCZ yang menghasilkan 8
features. Delapan features tersebut yang akan disimpan beserta labelnya pada
database.
inImage = imread('../Citra nama jalan/training/su.jpg'); im_gray = rgb2gray(inImage);
im_bw = im2bw(im_gray); row = size(im_bw,1);
[v_line] = verProj(im_bw);
im_vline = imcrop(im_bw,[v_line(1) 1 v_line(2)-v_line(1) row]); [h_line] = horzProj(im_vline); if length(h_line) == 4 ... elseif length(h_line) == 6 ... else
im_hline = imcrop(im_vline, [1 h_line(1) v_line(2)- v_line(1) h_line(2)-h_line(1)]);
end
imshow(aksara);
feature = feature_extraction(aksara); db_aksara{17,1} = feature;
db_aksara{17,2} = 'su';
Script diatas merupakan cara untuk menyimpan suatu data template ke dalam
database template. Variabel inImage merupakan data citra template kemudian setelah melaui proses binarization maka akan dikenai proyeksi vertikal dan proteksi horizontal untuk mendapatkan objek aksaranya dan membuang bagian background yang tidak dibutuhkan. Selanjutnya diekstraksi cirinya dan disimpan nilai ciri tersebut ke database template bernama db_aksara. db_aksara{17,1} = feature menunjukkan bahwa nilai feature citra tersebut disimpan pada baris ke 17 kolom 1 sedangkan db_aksara{17,2} = 'su' menunjukkan bawah data pada baris ke 17 memiliki label su yang disimpan pada kolom ke 2.
Dengan jumlah citra yang diperoleh untuk pembuatan template
database terkadang tidak semua mencakup berbagai kombinasi aksara dalam
literasi aksara Jawa sehingga perlu dibuat sebuah kombinasi aksara dengan menggabungkan aksara legena, sandhangan maupun pasangan yang diambil dari data template yang ada. Proses ini diperlukan untuk melengkapi beberapa suku kata yang dapat dibentuk dengan semua kata dasar yang berjumlah 20 aksara. Sebagai contoh, Gambar 4.10 merupakan citra Jalan Menteri Supeno, dalam database kita simpan aksara pe dan konsonan n akan tetapi dari semua data training (data template) belum ada aksara ne dan konsonan m sehingga kita bisa mengkombinasikan aksara na dengan pepet pada aksara pa supaya membentuk kata ne dan kombinasi aksara ma yang diberi pangkon supaya membentuk konsonan m sehingga semua aksara asli dengan pepet dan
pangkon menjadi lengkap. Proses untuk membuat tambahan kombinasi
aksara tersebut dilakukan menggunakan aplikasi Photoshop.
+ = dibaca “m” Gambar 4.14 Pembuatan Kombinasi Aksara untuk TemplateDatabase Gambar 4.14 merupakan proses pembuatan kombinasi aksara Jawa untuk melengkapi beberapa aksara yang tidak termuat dalam citra data template. Adapun isi dari template database yang berisi nilai feature beserta labelnya adalah sebagai berikut:
Gambar 4.15 FeatureDatabase dari Template beserta Label
Gambar 4.15 merupakan isi dari template database yang berisikan nilai
features beserta labelnya. Jumlah seluruh data template adalah 100 data yang
disimpan dalam variabel db_aksara.