PENUTUP

Bab ini menjelaskan tentang kesimpulan serta saran dari penulis, sehingga dapat digunakan sebagai bahan penelitian lebih lanjut.

7 2.1 Aksara Jawa

Carakan (Abjad/Aksara Jawa) adalah huruf yang digunakan dalam ejaan bahasa Jawa yang pada dasarnya terdiri atas dua puluh aksara pokok (nglegena), yang ditunjukkan pada Gambar 2.1, yang bersifat silabik (kesukukataan). (Darusuprapta, dkk., 2002). Bentuk kontemporer Aksara Jawa terbentuk sejak masa Kerajaan Mataram pada abad ke-17.

Selain dua puluh aksara pokok tersebut, Aksara Jawa juga memiliki kelompok aksara kapital (murda), vokal (swara), rekaan (rekan), pengubah bunyi (sandangan), penanda gugus konsonan, penutup konsonan(pasangan), pangkon, tanda baca, dan angka.

Gambar 2.2 Angka Jawa

Gambar 2.3 Tanda “Pada Pangkat” untuk mengapit penulisan Angka Jawa Beberapa dari Angka Jawa, seperti pada Gambar 2.2, dalam Aksara Jawa memiliki bentuk yang mirip dengan kelompok Aksara Jawa lainnya. Beberapa di antaranya misalkan angka “1” dalam Aksara Jawa memiliki bentuk yang sama dengan huruf “Ga” pada kelompok Aksara Jawa Nglegena, kemudian angka “9” sama dengan huruf “Ya” dalam kelompok Aksara Jawa Nglegena. Oleh karena itu, penulisan Angka Jawa, menurut pedoman yang ditulis oleh Darusuprapta dkk., harus diapit oleh tanda baca yang memiliki istilah “pada pangkat” seperti pada Gambar 2.3.

2.2 Ektraksi Fitur

Ekstraksi fitur dapat didefinisikan sebagai ekstraksi yang mengutamakan informasi dari ciri yang mewakili sebuah baris data, yang mana data diminimalisasi ke dalam pola yang berbeda-beda (Trier, 1996). Untuk tujuan inilah, kumpulan dari ciri (fitur) yang diekstrak pada tiap-tiap kelas akan membantu untuk membedakan pola yang diekstrak dari pola lain.

2.3 Optical Character Recognition (OCR)

Optical character recognition (OCR) adalah proses pengenalan karakter dari file citra dan juga pengenalan alfanumerik yang dicetak atau penulisan tangan dari karakter, teks, angka, huruf dan simbol agar bisa dibaca oleh komputer (Mukherjee, 2010). OCR merupakan pengenalan pola dan pengolahan karakter tulisan tangan yang didasari keinginan manusia untuk meningkatkan komunikasi dengan komputer. Banyak penelitian yang telah dilakukan untuk mengembangkan sistem OCR dalam berbagai skrip. OCR meliputi scanning gambar kemudian diterjemahkan menjadi teks, dari dokumen kertas menjadi gambar, kemudian gambar diterjemahkan ke dalam kode karakter yang pada komputer seperti membaca kode ASCII. Pengenalan kode pos, pengolahan bentuk, verifikasi tanda tangan adalah bentuk-bentuk penerapan OCR (Mukherjee, 2010).

2.4 Region Of Interest (ROI)

Region of interest (ROI) merupakan salah satu fitur yang tersedia dalam JPEG2000. ROI memungkinkan dilakukannya pengkodean secara berbeda pada area tertentu dari citra digital, sehingga mempunyai kualitas yang lebih baik dari area sekitarnya. Fitur ini menjadi sangat penting, bila terdapat bagian tertentu dari citra digital yang dirasakan lebih penting dari bagian yang lainnya.

Piksel memiliki nilai intensitas tertinggi dalam seleksi citra, kemudian piksel dibandingkan dengan piksel tetangga. Perbandingan ada perubahan dalam tingkat intensitas nilai piksel. Semua piksel memiliki bentuk intensitas yang sama dalam ROI (Nurtanio, dkk, 2013).

2.5 Diagonal Distance Feature

Diagonal distance feature adalah metode ekstraksi fitur yang digunakan untuk mengenali suatu pola tulisan, angka, atau simbol pada citra dengan cara menghitung jarak sudut diagonal hingga bertemuanya piksel hitam pada dari citra (Nibaran das dkk, 2006). Citra yang dapat digunakan dalam metode ini hanya citra biner, Oleh karena perlu dilakukan konversi citra menjadi biner apabila tidak sesuai. Seperti diilutrasikan pada gambar 2.4.

Gambar 2.4. Diagonal Distance Feature

Empat nilai jarak dari sisi-sisi diagonal itulah yang akan menjadi nilai inputan untuk jaringan MLP.

2.6 Longest Run Feature

Longest run feature adalah suatu metode ekstraksi fitur yang digunakan untuk mengenali suatu pola tulisan, angka, atau simbol pada citra dengan cara menghitung jumlah piksel berwarna hitam yang saling berurutan pada tiap sub-sub citra. Jumlah piksel hitam yang terpanjang di seluruh baris dan kolom, serta dua diagonal dari area sub citra (Nibaran das dkk, 2006). Citra yang dapat digunakan dalam metode ini hanya citra biner, Oleh karena perlu dilakukan konversi citra menjadi biner apabila tidak sesuai.

2.7 Handwritten ‘Bangla’ Alphabet Recognition using an MLP Based Classifier (Basu, dkk., 2005)

Penelitian serupa pernah dilakukan oleh Basu pada tahun 2005. Dalam penelitian tersebut, metode yang digunakan adalah multi layer perceptron. MLP digunakan untuk melakukan pengenalan terhadap huruf-huruf alfabetik Bangla. Huruf alfabetik Bangla terdiri dari 50 jenis huruf yang terdiri dari 11 huruf vokal dan 39 huruf konsonan seperti pada gambar 2.5.

Pada penelitian tersebut, citra masing-masing sampel huruf Bangla dibagi menjadi 64 x 64 piksel. Pada citra huruf Bangla tersebut juga dilakukan ekstraksi fitur sebanyak 76 fitur yang dikategorikan dalam 24 Shadow Features, 16 centroid features, dan 36 longest-run features. Sampel huruf yang digunakan dalam penelitian ini adalah 10.000 sampel huruf yang didapatkan dari tulisan tangan 200 orang dengan jenis kelamin dan umur yang bervariasi. Dari 10.000 sampel tersebut, 8.000 sampel digunakan sebagai sampel pelatihan dan 2.000 sampel digunakan sebagai sampel uji.

(b)

Gambar 2.5 Huruf Alfabetik Bangla (a) Vokal dan (b) Konsonan Proses training dilakukan dengan bentuk jaringan yang hanya memiliki satu layer tersembunyi dan dengan beberapa konfigurasi jumlah neuron yang berbeda-beda. Masing-masing proses pelatihan dilakukan sampai dengan 2.000 iterasi, laju pembelajaran sebesar 0,8, dan nilai momentum sebesar 0,7.

Hasil percobaan dari penelitian ini ditunjukkan pada, di mana hasil yang paling baik didapatkan dari jaringan dengan jumlah neuron 60. Pada percobaan tersebut, persentase keberhasilan dari sampel pembelajaran adalah 86,46% sedangkan untuk sampel uji adalah 75,05%.

2.8 An MLP Based Approach for Recognition of Handwritten ‘Bangla’ Numerals (Basu, dkk., 2005)

Seperti halnya pada Sub-Bab 2.7, pada penelitian ini peneliti yang sama dan dengan metode yang sama. membuat pengenalan pola tulisan tangan untuk angka ‘Bangla’. Angka Bangla terdiri dari 10 jenis angka yang merepresentasikan 0 – 9 seperti pada Gambar 6.

Gambar 2.6 Bentuk tulisan angka ‘Bangla’

Pada penelitian kali ini digunakan data sampel tulisan tangan untuk angka-angka ‘Bangla’ dari 600 orang, sehingga didapatkan 6.000 sampel pola. 4.000 sampel digunakan sebagai sampel pembelajaran dan 2.000 sampel digunakan sebagai sampel uji.

Hasil dari penelitian ini menunjukkan bahwa tingkat keberhasilan paling tinggi didapatkan dari percobaan dengan jumlah neuron 65, yaitu 96,67%.

2.9 Handwritten Arabic Numeral Recognition using a Multi layer Perceptron (Das, dkk., 2006)

Di tahun 2006, oleh peneliti yang berbeda ada penelitian dengan tema yang sama, yaitu tentang optical character recognition (OCR). Sama halnya seperti dua penelitian sebelumnya pada Sub Bab 2.7 dan 2.8, pada penelitian ini metode yang digunakan juga masih sama. Hanya saja bedanya adalah jenis karakter yang dikenali adalah angka Arab.

Angka Arab terdiri dari 10 jenis karakter yang merepresentasikan 0 – 9 seperti pada Gambar 7. Dalam penelitian ini sebanyak 300 set tulisan angka Arab dari orang-orang yang berbeda digunakan sebagai sampel. Yang digunakan sebagai sampel uji sebanyak 2.000 sampel, sedangkan sisanya digunakan sebagai sampel uji.

Hasil paling baik didapatkan pada jaringan dengan jumlah neuron pada layer tersembunyi sebanyak 54 neuron. Persentase keberhasilan dari bentuk jaringan tersebut mencapai 95%.

Gambar 2.7 Bentuk tulisan Angka Arab

2.10 Handwritten Bangla Basic and Compound Character Recognition Using MLP and SVM Classifier (Das dkk., 2010)

Das dkk, pada 2010 melanjutkan penelitian pengenalan karakter Bangla. Kali ini, yang dikenali adalah 55 dari 160 karakter vokal dan konsonan pertama yang paling sering digunakan. Ekstraksi ciri yang digunakan adalah Shadow feature , longest-run feature, quad tree, dan diagonal distance. Sedangkan algoritma pengelompokan yang digunakan ada dua, yaitu MLP dan SVM (support vector machine).

Hasil dari penelitian ini menunjukkan tingkat keberhasilan rata-rata dengan menggunakan MLP adalah 79,25 %. Sedangkan pada metode SVM, rata-rata tingkat keberhasilannya naik menjadi 80,51%.

2.11 Pengenalan Pola Tulisan Tangan Aksara Jawa “Ha Na Ca Ra Ka” Menggunakan Multi Layer Perceptron (Wibowo dan Wirakusuma, 2013)

Pada 2013, Wibowo dan Wirakusuma telah melakukan kajian terhadap topik ini. Namun tulisan tersebut menggunakan 5 huruf awal, yaitu “Ha”, “Na”,

“Ca”, “Ra”, dan “Ka”. Jumlah sampel yang digunakan untuk pembelajaran adalah 15 set sampel dan pengujian dilakukan terhadap 5 set sampel.

Data yang digunakan untuk dimasukkan dalam jaringan MLP adalah data mentah dari citra yang dikecilkan saja. Dalam penelitian ini tidak digunakan proses ekstraksi ciri.

Hasil dari penelitian tersebut menunjukkan proses pembelajaran yang konvergen dengan nilai SSE sebesar 0.00096118032275095setelah iterasi ke-738.522.Konfigurasi yang digunakan pada penelitian tersebut adalah:

- Jumlah hidden layer : 2

- Jumlah neuron input : 300

- Jumlah neuron layer 1 : 80

- Jumlah neuron layer 2 : 80

- Jumlah neuron output : 5

- Laju pembelajaran (µ) : 0.1

- Error minimum : 10E^-4

- Iterasi maksimum : 10E⁺⁵

Pengujian yang dilakukan mendapatkan hasil bahwa seluruh sampel pembelajaran yang dicoba untuk dikenali ulang berhasil dikenali dengan benar. Sedangkan untuk sampel uji, 14 huruf dari 25 huruf uji dapat dikenali dengan benar.

2.12 Multi Layer Perceptron

Multi layer perceptron (MLP) adalah perkembangan dari algoritma perceptron yang memiliki layer lebih dari sekedar input layer dan output layer.

Pada MLP, terdapat layer-layer tambahan yang disebut dengan hidden layer. Dengan adanya hidden layer ini MLP dimungkinkan untuk dapat mengenali pola yang kompleks yang tidak dapat dikenali oleh struktur jaringan perceptron konvensional. Struktur jaringan MLP dapat dilihat pada Gambar 2.8.

Gambar 2.8 Struktur Jaringan MLP (Ham, Kostanic, 2001)

Neuron-neuron pada hidden layer memiliki proses perhitungan yang sama dengan neuron-neuron pada output layer. Hanya saja nilai hasil perhitungan dari setiap neuron pada hidden layer ini nantinya akan digunakan sebagai masukan untuk layer-layer berikutnya. Proses perhitungan dari masing-masing neuron pada tiap layer melibatkan luaran dari neuron-neuron di layer sebelumnya dan bobot dari koneksi antara neuron tersebut dengan neuron-neuron di layer sebelumnya. Di mana w adalah bobot antara luaran x dari neuron di layer sebelumnya dengan

neuron yang akan dihitung luarannya. Namun nilai u tersebut bukanlah luaran akhir dari neuron. Untuk itu nilai u tersebut harus ditambah dengan bias atau dikurangi threshold untuk menjadi v sebelum dimasukkan ke dalam fungsi aktivasi. Jika fungsi aktifasi yang dipilih menggunakan fungsi sigmoid unipolar maka secara umum y didapat dengan persamaan:

�

_�

=

_{�� }_� ₌

_{1 +} ¹

_−��_�

. Luaran y dari neuron di output layer adalah luaran akhir dari MLP. Proses yang terjadi mulai dari input layer hingga output layer ini disebut dengan feed-forward. Nilai luaran yang dihasilkan akan sangat bergantung pada konfigurasi bobot yang terhubung antar neuron. Untuk mendapatkan nilai bobot yang sesuai maka diperlukan proses pelatihan atau learning MLP.

18 BAB III

METODE PENELITIAN

3.1 Rancangan Penelitian

Pengerjaan tugas akhir ini ditunjukkan dalam bentuk blok diagram pada gambar 3.1. Blok diagram ini menggambarkan proses dari sampel citra hingga output berupa pengenalan Angka Jawa.

Gambar 3.1 Blok Diagram

Pengerjaan tugas akhir ini hanya fokus pada bagian dalam dari area garis biru putus-putus diatas. Sampel Citra tulisan tangan Angka Jawa diambil melalui canvas virtual pada aplikasi. Setiap participant akan menggambar 1 digit Angka Jawa satu demi satu dari angka 0 sampai 9. Data citra yang dihasilkan dapat memiliki resolusi serta motif yang bervariasi.

Pertama-tama dilakukan digitalisasi dari gambar ke biner. Selanjutnya Pada gambar tersebut dilakukan ROI untuk membuang bagian yang tidak

diperlukan. Hasil ROI berupa crop gambar berbentuk persegi. Kemudian hasil croping gambar diresize menjadi berukuran 64x64 piksel. Pada tiap piksel akan dicari nilai biner beserta nilai kordinatnya, jika warna piksel condong ke hitam

maka akan bernilai “0” dan jika lebih condong ke putih maka akan bernilai “1”.

Terakhir dilakukan ektraksi fitur diagonal distance feature dan longest run feature sekaligus normalisasi nilai fitur. Ekstraksi diagonal distance feature dilakukan dengan cara menghitung jarak diagonal dari sudut siku citra hingga bertemunya piksel hitam. Sedangkan ektraksi longest run feature dilakukan dengan cara menghitung jumlah piksel hitam yang saling berurutan dan terpanjang dari seluruh baris, kolom dan dua diagonal dari sub area citra. Ektraksi fitur longest run dari tiap sub area citra menghasilkan nilai fitur maksimal yaitu 1024. Semua nilai dari ektraksi fitur longest run tersebut dinormalisasi dengan membaginya dengan 1024 sehingga memiliki range nilai terkecil 0 dan terbesar 1. Pada ektraksi diagonal distance nilai fitur maksimal adalah 64 maka setiap nilai fitur dinormalisasi dengan membaginya dengan 64 sehingga memiliki range nilai terkecil 0 dan terbesar 1. Normalisasi digunakan untuk menghindari overflow variabel yang digunakan pada project tugas akhir.

3.2 Tahapan Penelitian

Tahapan-tahapan dalam menyelesaikan tugas akhir ini ditunjukkan pada Gambar 3.2 dibawah ini.

Gambar 3.2 Diagram Alir Tugas Akhir

a. Mengumpulkan literatur yang berhubungan dengan tugas akhir yang akan dikerjakan baik dari buku, jurnal, maupun dari internet. Serta mempelajari hingga detail pengenalan pola tulisan menggunakan menggunakan diagonal distance feature dan longest run feature extraction.

b. Melakukan perancangan aplikasi yang dibuat. Perancangan perangkat lunak dibagi menjadi beberapa tahap, yaitu :

1. Merancang media input pola Angka Jawa untuk keperluan pengujian sampel.

2. Merancang proses Region Of Interest (ROI) yang digunakan membuang bagian yang tidak perlu dari citra masukkan dari kanvas oleh user, agar lebih fokus pada citra yang akan di ektraksi.

Studi Literatur

Perancangan Aplikasi Diagonal Distance Feature

dan Longest Run Feature Extraction

Pengumpulan Data Sampel Uji

Pembelajaran Menggunakan Data Yang Sudah Diekstrak

Pencatatan Data Percobaan Analisis Data Dan Uji Signifikansi Pelaporan MLP

3. Merancang proses Resize citra menjadi sebesar 64 x 64 piksel yang digunakan untuk standarisasi resolusi citra, karena pada proses ROI menghasilkan resolusi citra yang bervariasi.

4. Merancang proses diagonal distance deature dan longest run feature extraction serta merancang ruang penyimpanan pola huruf yang sudah dimasukkan agar tidak perlu membuat pola baru untuk memudahkan saat dilakukan pengujian.

5. Merancang sistem proses evaluasi dan pencatatan.

c. Mengambil sampel data learning pola huruf pada media yang dibuat pada perangkat lunak. Data learning harus bervariasi. Ada 10 pola Angka Jawa yang harus dikenali dan masing – masing pola diberi 25 variasi sampel data training dan 25 sampel data untuk testing.

d. Menjalankan proses learning sesuai dengan data learning yang diberikan point c, yang kemudian diekstrak menggunakan diagonal distance feature dan longest run feature extraction.

e. Proses learning menggunakan MLP dari citra sudah diekstrak fitur-fiturnya menggunakan diagonal distance feature dan longest run feature extraction. f. Pencatatan data dan menjalankan sistem keseluruhan yang meliputi

parameter-parameter yang sesuai dengan perumusan masalah yang di kemukakan.

g. Melakukan analisa, penarikan kesimpulan dan pengujian siginifikasi hasil yang didapat dari sampel yang diolah terlebih dahulu dengan mengekstrak cirinya dibandingkan dengan learning menggunakan data mentah.

3.3 Perancangan Perangkat Lunak

Melakukan perancangan perangkat lunak yang akan dibuat. Perancangan perangkat lunak dibagi menjadi beberapa tahap, yaitu :

3.3.1 Desain Kanvas Virtual

Kanvas virtual digunakan sebagai media masukan oleh participant untuk menggambar pola Angka Jawa. Device yang bisa digunakan diantaranya mouse ,tablet pen dan smartphone. Kanvas virtual akan menangkap pola tulisan tangan yang telah digambarkan. Kanvas virtual ini dibuat menggunakan tool PictureBox yang disediakan pada Visual basic 6.0 dengan resolusi 256x256 piksel.

Untuk membuat pola Angka Jawa, pertama-tama participant harus mengetahui bentuk dari Angka Jawa yang akan dibuat. Selanjutnya participant dapat memulai menggambar pola Angka Jawa dengan cara drag mouse pada area kanvas. Icon pointer untuk penanda menggambar di kanvas menggunakan pointer default yaitu “arrow”. Tombol “clear” digunakan untuk menghapus seluruh gambar jika suatu saat terjadi salah penulisan pada canvas virtual.

Gambar 3.3 Kanvas Virtual

gambar pola Angka Jawa participant akan disimpan dengan format bitmap (.bmp). format bitmap umum digunakan pada sistem operasi windows dan juga dapat dibuka oleh hampir semua software pengolah gambar. cara membuat kanvas virtual adalah sebagai berikut:

1) Pada area kerja visual basic 6.0 bagian toolbox pilih frame

Gambar 3.4 Frame

2) Klik dan drag pada area kerja untuk membuat frame. Frame berfungsi untuk mengelompokkan semua item pada canvas virtual.

3) Pilih PictureBox, kemudian klik dan drag di dalam area frame.

Gambar 3.5 PictureBox

4) Buat tombol “clear” dengan pilih CommandButton, klik dan drag pada

Gambar 3.6 CommandButton 5) Atur property picture box seperti berikut ini:

- BackColor : warna putih - ScaleMode : pixel - Width : 3900 - Height : 3900

Gambar 3.7 Property PictureBox 3.3.2 Digitalisasi

Digitalsisasi adalah proses pembacaan dan pengkodean warna per pixel pada kanvas. piksel berwarna putih memiliki nilai 255 dan piksel berwarna hitam memiliki nilai 0. Gambar pola Angka Jawa akan di scaning per baris untuk membaca warna tiap piksel untuk di klasifikasikan. Saat scaning berlangsung kordinat piksel akan disimpan dalam array 2 dimensi dengan format kolom , baris (x,y).

3.3.3 Pembuatan ROI (Region Of Interest) dan Scalling / Resize

Proses ROI berfungsi untuk membuang bagian dari gambar yang tidak diperlukan untuk diolah, agar lebih fokus pada area pola Angka Jawa yang akan di ektraksi saja. Karena hasil tulisan tangan Angka Jawa dari participant memiliki pola dan resolusi yang bervariasi. Pertama-tama dilakukan scaning secara per baris dimulai dr kordinat (x,y)=(0,0) atas hingga bertemu piksel hitam, jika sudah bertemu piksel hitam kemudian break dan simpan kordinat untuk menandai batas atas(ba). selanjutnya dilakukan scaning secara baris juga namun dimulai dr kordinat (x,y)=(255,255) atas hingga bertemu piksel hitam, jika sudah bertemu piksel hitam kemudian break dan simpan kordinat untuk menandai batas bawah(bb). Langkah yang sama di ulangi namun scaning dijalankan dari secara per kolom. Nilai panjang sama dengan batas bawah – batas atas. Nilai lebar sama dengan batas kanan – batas kiri. Setelah itu dibandingkan nilai yang lebih panjang antara panjang dan lebar, yang nilainya lebih panjnag dikurangkan yang terpendek. Selisih dari pengurangan kemudian dibagi dua. Setelah itu nilainya ditambahkan untuk kedua sisi yang terpendek untuk menghasilkan perpotongan yang persegi. Dalam Proses croping, citra harus di crop secara persegi dan posisi citra berada tenggah-tengah persegi (center). Setelah croping selesai maka selanjutnya citra diresize menjadi resolusi 64x64 piksel.

Gambar 3.8 Citra yang akan melewati proses ROI dan scalling / resize

Gambar 3.9 Flowchart proses ROI dan resize 3.3.4 Ektraksi Diagonal Distance Feature

Metode ektraksi fitur diagonal distance digunakan pada penelitian ini karena ektraksi ini dapat digunakan untuk mengektraksi pola tulisan, angka, atau

simbol pada citra. Pada tahun 2010 pernah dilakukan penelitian mengenai pengenalan pola tulisan tangan pada huruf bangla menggunakan MLP dan input dari MLP adalah hasil dari ektraksi fitur. Salah satu ektaksi fitur yang digunakan pada penelitian tersebut adalah menggunakan ektraksi fitur diagonal distance (Das dkk., 2010). Diagonal distance feature adalah metode untuk mengektraksi fitur dengan cara menghitung jarak diagonal dari sudut siku citra hingga bertemunya piksel hitam. Citra yang sudah melalui proses ROI dan resize akan menghasilkan gambar beresolusi 64x64 piksel. Dari gambar ini akan dilakukan perhitungan jarak di mulai dari sudut siku gambar terus berjalan secara diagonal hingga bertemu piksel hitam. Pada ektraksi ini satuan jaraknya adalah piksel. Citra yang di ekstrak akan menghasilkan total fitur diagonal distance berjumlah 4 fitur seperti gambar 3.10 dibawah ini.

Gambar 3.10 Ektraksi diagonal distance feature

Pertama-tama dibuat 4 titik awal diagonal yang dimulai dari koordinat diagonal kiri atas (x,y)=(0,0), diagonal kanan atas (x,y)=(63,0), diagonal kiri bawah (x,y)=(0,63), dan diagonal kanan bawah (x,y)=(63,63). Kemudian penghitungan jarak dilakukan dengan menggunakan perulangan dengan pola sebagai berikut:

A. Diagonal 1 dicari dengan menaikkan satu koordinat (x,y) secara terus menerus hingga mencapai koordinat yang memiliki warna piksel hitam. Setiap nilai koordinat (x,y) dinaikkan satu maka saat itu dilakukan juga penghitungan(counter) jarak diagonal 1. Diilustrasikan pada gambar 3.11.

Gambar 3.11 Diagonal 1

B. Diagonal 2 dicari dengan menaikkan satu koordinat (y) dan menurunkan 1 nilai (x) secara terus menerus hingga mencapai koordinat yang memiliki warna piksel hitam. Setiap nilai koordinat (x,y) dinaikkan maka saat dilakukan juga penghitungan(counter) jarak diagonal 2. Diilustrasikan pada gambar 3.12.

Gambar 3.12 Diagonal 2

C. Diagonal 3 dicari dengan menaikkan satu koordinat (x) dan menurunkan 1 nilai (y) secara terus menerus hingga mencapai

koordinat yang memiliki warna piksel hitam. Setiap nilai koordinat (x,y) dinaikkan maka saat dilakukan juga penghitungan(counter) jarak diagonal 3. Diilustrasikan pada gambar 3.13

Gambar 3.13 Diagonal 3

D. Diagonal 1 dicari dengan menurunkan satu koordinat (x,y) secara terus menerus hingga mencapai koordinat yang memiliki warna piksel hitam. Setiap nilai koordinat (x,y) diturunkan satu maka saat itu dilakukan juga penghitungan(counter) jarak diagonal 4. Diilustrasikan pada gambar3. 14.

Gambar 3.14 Diagonal 4

Keempat nilai diagonal itulah yang akan digunakan sebagai input bagi jaringan MLP, sehingga dapat diklasifikasikan lebih lanjut.

Gambar 3.15 Tampilan pada aplikasi ektraksi diagonal distance feature Langkah-langkah ekstraksi dijelaskan dengan flowchart pada Gambar 3.16 dibawah ini:

Gambar 3.16 Flowchart diagonal distance feature extraction

3.3.5. Ektraksi Longest Run Feature

Metode ektraksi fitur longest run digunakan pada penelitian ini karena ektraksi ini dapat digunakan untuk mengektraksi pola tulisan, angka, atau simbol pada citra. Pada tahun 2010 pernah dilakukan penelitian mengenai pengenalan pola tulisan tangan pada huruf bangla menggunakan MLP dan input dari MLP

adalah hasil dari ektraksi fitur. Salah satu ektaksi fitur yang digunakan pada penelitian tersebut adalah menggunakan ektraksi fitur longest run (Das dkk., 2010). Sama seperti pada sub bab 3.3.4 bahwa citra tulisan tangan Angka Jawa

Dalam dokumen TA : Ektraksi Fitur Angka Jawa Menggunakan Diagonal Distance Feature dan Longest Run Feature. (Halaman 10-83)

�

=

1 + 1

_{1 +} ¹