AUTOMATIC CROPPING PADA PENGENALAN NASKAH BRAILLE

Seminar Nasional Teknologi Informasi dan Multimedia 2015. ISSN : 2302-3805. STMIK AMIKOM Yogyakarta, 6-8 Februari 2015. AUTOMATIC CROPPING PADA PENGENALAN NASKAH BRAILLE Chairisni Lubis 1), Agus Budi Dharmawan2), Michiko Ang 3) 1), 2,3). Fakultas Teknologi Informasi Universitas Tarumanagara Jakarta, Indonesia Jl S.Parman No.1, Jakarta Email : chairisni.fti.untar@gmail.com1), email.dharmawan@gmail.com 2), pwinkieh_gurl@hotmail.com 3). Abstrak Karakter Braille merupakan karakter yang digunakan oleh penyandang tuna netra untuk menulis dan membaca dengan cara menyentuh titik-titik timbul yang ada pada karakter tersebut. Naskah Braille yang sudah lama akan berkurang intensitas titik timbulnya sehingga sulit dibedakan dengan noise yang ada disekitarnya. Pada penelitian ini, untuk mengenali titik-titik timbul yang membentuk karakter Braille digunakan Back Propagation Neural Network (BPNN). Vektor ciri yang diinputkan ke BPNN berjumlah 8 buah yang berasal dari hasil ekstraksi ciri dengan menggunakan Gray Level Coocurance Matrix (GLCM). Untuk proses cropping digunakan automatic cropping dengan histogram. Tingkat keberhasilan rata-rata pengenalan naskah Braille dalam penelitian ini sebesar 94,53%, dengan keberhasilan tertinggi sebesar 100 % . Kata kunci : Automatic Cropping, Back Propagation Neural Network, Braille, Gray Level Coocurance Matrix. 1. Pendahuluan Karakter Braille adalah sejenis sistem tulisan sentuh yang digunakan oleh penyandang tuna netra. Sistem ini diciptakan oleh seorang Perancis yang bernama Louis Braille yang mengalami kebutaan waktu kecil. Cara membaca huruf Braille adalah dengan menyentuh atau merabanya. Huruf Braille terdiri dari sel yang mempunyai 6 titik timbul dengan posisi tiga baris dan dua kolom (seperti pola kartu domino). Titik-titik tersebut dikenal juga dengan “Braille Cell”. Kombinasi keenam titik itu akan tersusun berbagai karakter dimana setiap titik yang ada pada sel dapat berupa titik yang timbul atau titik yang datar. Tiap-tiap posisi titik memiliki nomor tetap yang dapat dilihat pada Gambar 1 [7]. Naskah Braille dapat mengalami penurunan kualitas akibat dari pemakaian, perawatan yang kurang, dan penyimpanan yang kurang baik dari naskah Braille tersebut. Penurunan kualitas ini dapat disebabkan oleh faktor dari luar seperti terkena kotoran, goresan dan sobekan (dianggap noise) , sehingga huruf-huruf Braille menjadi cacat, yang awalnya titik timbul menjadi tidak. timbul (rata) atau sebaliknya. Hal ini tentu membuat proses pembacaan menjadi tidak akurat. Pada penelitian sebelumnya telah digunakan metode Gray Level Cooccruence Matrix (GLCM) dengan menggunakan 5 fitur yang biasa digunakan untuk mengenali tekstur setiap sel Braille sehingga dapat memisahkan noise dengan titik Braille. Hasil dari ekstraksi ciri tersebut kemudian dijadikan sebagai input dalam proses pengenalan naskah Braille dengan menggunakan Backpropagation Neural Network (BPNN) hasil pengenalanya di atas 90 %. Kesalahan pengenalan disebabkan oleh karena pergeseran titik-titik Braille yang berada di luar “area”. Dalam beberapa kasus, pergeseran ini bisa terjadi secara menyeluruh dalam 1 baris sehingga memberikan pengaruh negatif yang cukup besar dalam proses pengenalan [5]. Untuk meningkatkan hasil pengenalan dalam mengenali pola naskah Braille, maka pada penelitian ini akan digunakan metode untuk dapat mengatasi pergeseran titik-titik Braille. Salah satu metode yang dapat digunakan adalah Automatic Cropping dengan histogram. Pemotongan atau segmentasi karakter Braille ini menggunakan pemotongan secara otomatis. Metode ini bertujuan untuk mendapatkan objek yang diperlukan untuk penelitian dan membuang yang tidak diperlukan. Selain itu dengan automatic cropping hasil pemotongan akan menjadi tepat sehingga menghindari informasi yang terpotong yang akan mempengaruhi hasil akhir pengenalan karakter Braille. Setelah dilakukan automatic cropping, maka akan dilanjutkan dengan proses ekstraksi ciri dengan menggunakan Gray Level Coocurance Matrix (GLCM). Hasil dari ekstraksi ciri ini kemudian akan dijadikan input ke Backpropagation Neural Network (BPNN). Pada makalah ini akan dibahas Tinjauan Pustaka yang terdiri dari : karakter Braille, Automatic Cropping, Proses Ekstraksi ciri dengan menggunakan Gray Level Coocurance Matrix, dan metoda yang digunakan untuk pengenalan pola dengan Back Propagation Neural Network. Setelah itu akan dibahas Metoda Penelitian yang digunakan. Untuk mengetahui tingkat keberhasilan pengenalan, maka dilakukan proses pengujian dan hasilnya akan dibahas pada bagian Hasil dan. 3.8-19.

Seminar Nasional Teknologi Informasi dan Multimedia 2015. ISSN : 2302-3805. STMIK AMIKOM Yogyakarta, 6-8 Februari 2015. Pembahasan. Penulisan makalah ini ditutup dengan memberikan Kesimpulan pada akhir penulisan.. Gambar 1. Posisi titik dalam karakter Braille 2. Tinjauan Pustaka A. Karakter Braille Karakter Braille sangat membantu pernyandang tuna netra untuk membaca tulisan. Kombinasi dari keenam titik pada gambar 1 bisa membentuk 63 macam karakter berupa huruf, angka, tanda baca, musik, operator-operator dasar matematika dan beberapa tanda singkatan. Susunan kombinasi dari setiap titik dalam sel Braille dapat membentuk karakter huruf kecil dan tanda baca dapat dilihat pada gambar 2 [7] dan gambar 3 [2]. Untuk menulis huruf kapital dan angka Braille, maka akan ditandai dengan tanda khusus Braille yang berada di awal. Pada dasarnya penulisan huruf kapital sama saja dengan penulisan huruf kecil, namun hanya dibedakan dengan tanda titik pada nomor 6 dalam sel Braille yang berada di awal sebelum huruf kecil Braille. Untuk penulisan angka Braille, tanda khusus yang digunakan berupa sel Braille dengan titik timbul pada posisi 3, 4, 5 dan 6.. Gambar 2. Huruf Kecil Braille. Langkah – langkah dalam proses automatic cropping dengan histogram adalah sebagai berikut [1] : 1. Segmentasi Baris Pada proses ini, sel-sel yang terdapat pada input citra naskah Braille akan dipisahkan menjadi sel-sel perbaris. Langkah ini dilakukan untuk memisahkan sekumpulan sel pada naskah Braille menjadi sel-sel perbaris sehingga memudahkan proses pre-processing selanjutnya. Untuk itu, dilakukan teknik analisis piksel dengan vertical projection histogram dimana piksel akan ditelusuri dari pojok kiri hingga kanan bawah secara perbaris. Jika baris piksel tidak memiliki titik hitam maka baris tersebut tidak memiliki informasi dan akan dilewati. Baris yang mempunyai banyak titik hitam disebut high density area dan baris yang kosong atau terdapat banyak spasi diantara kalimat disebut low density area. Gambar 4 [4] menunjukkan keterhubungan antara citra huruf piramida dengan vertikal histogramnya.. Gambar 4. Vertikal Histogram pada Citra Huruf Piramida 2. Segmentasi Kolom Setelah dilakukan proses segmentasi baris sehingga didapatkan nilai piksel perbaris dan tinggi baris, maka tahap selanjutnya adalah melakukan segmentasi kolom dengan horizontal projection histogram. Konsep dan cara kerjanya hampir sama dengan segmentasi baris dengan vertical histogram. Horizontal histogram dihitung dari setiap kolom yang ada. Dari Gambar 5 [4], dapat terlihat dengan jelas bawah kalimat sudah dapat dipecah menjadi sebuah karakter yang terpisah dan dapat berdiri sendiri.. Gambar 3. Tanda Baca Braille B. Automatic Cropping. Automatic cropping adalah proses pemotongan citra pada koordinat tertentu pada area citra sehingga diperoleh sebuah citra dengan ukuran yang lebih kecil [1]. Pemotongan citra dapat dilakukan secara otomatis dengan menggunakan metoda histogram. Dengan automatic cropping, hasil pemotongan akan menjadi lebih tepat dan cepat sehingga meminimalkan informasi-informasi penting yang terpotong.. Gambar 5. Horizontal Histogram dan Hasil Segmentasi Kolom C. Gray Level Coocurence Matrix Gray Level Coocurance Matrix (GLCM) adalah sebuah matriks yang menyimpan nilai frekuensi kombinasi perbedaan tingkat kecerahan antara satu piksel dengan. 3.8-20.

ISSN : 2302-3805. Seminar Nasional Teknologi Informasi dan Multimedia 2015 STMIK AMIKOM Yogyakarta, 6-8 Februari 2015. piksel di sekitarnya yang terjadi pada sebuah citra [7]. GLCM memiliki 14 fitur yang diajukan oleh Haralick [9], tetapi tidak semua fitur digunakan. Umumnya, hanya 5 fitur saja yang dipakai dalam berbagai penelitian yaitu energi, entropi, kontras, korelasi dan homogenitas seperti yang digunakan juga pada penelitian sebelumnya. Pada penelitian ini, akan digunakan 8 buah fitur GLCM yang terdiri dari 5 fitur yang digunakan sebelumnya ditambah 3 buah fitur lagi. Kedelapan fitur tersebut adalah [4] 1. Entropi Nilai entropi menunjukkan keteracakan distribusi derajat keabuan suatu citra. Semakin acak distribusi derajat keabuannya, semakin tinggi nilai entropi yang dihasilkan. N 1. Entropi    p i , j  log p i , j  ......(1) i, j0. 2. Energi Nilai energi bertolak belakang dengan entropi. Semakin tinggi nilai entropi maka nilai energi akan semakin rendah. Hal ini dikarenakan, nilai energi menggambarkan keteraturan penyebaran derajat keabuan suatu citra. N 1. . Energi . p (i , j ). 2. ......(2). i, j0. 3. Kontras Fitur kontras digunakan untuk menghitung range perbedaan derajat keabuan dalam sebuah citra. Semakin jauh perbedaan derajat keabuan setiap pasangan piksel, semakin tinggi nilai kontras. Demikian sebaliknya, jika perbedaan derajat keabuan setiap pasangan piksel tidak signifikan, nilai kontras akan rendah.. Kontras . N 1.  i  j  p i, j  2. ......(3). i, j 0. 4. Mean Fitur Mean adalah sebuah fitur untuk menghitung ratarata dari suatu sebaran nilai.. Mean    i. N 1.  iP ;  i, j. i , j 0. j. . N 1.  jP. i , j 0. i, j. ......(4). Keterangan : µi = nilai rata-rata piksel pada baris i µj = nilai rata-rata piksel pada kolom j. 2. . 2.  j. N 1. P. i, j. i, j 0. N 1. P. i, j 0. i, j. (i   )2 ; i. ( j   )2 j. Standar Dev   i .  ; 2. i.  j. . 2 j. ......(6). 6. Korelasi Korelasi adalah fitur yang digunakan untuk menghitung ketergantungan linear sebuah citra. Jika derajat keabuan antar pasangan piksel memiliki hubungan linear maka nilai korelasi akan menjadi tinggi. ( i   )( j   ) N 1 i j Korelasi   Pi , j . .....(7).  . i, j0. 2. 2. i. j. 7. Homogenitas Fitur homogenitas akan menghitung keseragaman variasi derajat keabuan sebuah citra. Fitur homogenitas akan memiliki nilai yang tinggi derajat keabuan yang hampir sama.. p i , j . N 1.  1  (i  j ). Homogenita s . i , j 0. 2. ......(8). 8. Dissimilarity Fitur Dissimilarity adalah sebuah fitur untuk menghitung nilai perbedaan derajat keabuan dalam sebuah citra. Dalam fitur Dissimilarity, nilai perbedaan suatu piksel dengan piksel tetangganya meningkat secara linear.. Dissimilarity . N 1. P. i , j 0. i, j. i j. ......(9). D. Back Propagation Neural Network (BPNN) Back Propagation Neural Network (BPNN) merupakan salah satu metoda pembelajaran yang terawasi (superviced learning) dalam Neural Network yang artinya pada tahap pembelajarannya memerlukan target. BPNN banyak digunakan dalam pengenalan pola karena kemampuannya dalam mengenali pola yang sedikit berbeda dengan pola yang sudah dipelajari sebelumnya. Dalam penelitian ini, BPNN akan digunakan untuk mengenali naskah Braille yang sudah agak cacat akibat seringnya disentuh atau tempat penyimpanan yang kurang baik. Algoritma pembelajarannya diambil dari buku Neural Network karangan Laurene Fausett [6]. 3. Metode Penelitian. 5. Standar deviasi Varians GLCM menunjukkan sebaran nilai piksel pada bidang citra.. Varians : i . Standar deviasi adalah akar kuadrat dari varians. ......(5). Keterangan : σi2 = Nilai Varians berdasarkan piksel pada baris i σj2 = Nilai Varians berdasarkan piksel tetangga j. Pada penelitian “Automatic Cropping pada pengenalan naskah Braille” ini, naskah Braille akan dikenali dengan menggunakan Backpropagation Neural Network (BPNN). Sebelum sampai ke proses pengenalan, dilakukan dahulu preprocessing yang terdiri dari beberapa tahap. Tujuannya adalah untuk mendapatkan vektor ciri yang tepat untuk diinputkan ke BPNN. Diagram alir proses secara keseluruhan dapat dilihat pada gambar 6. Prosesnya terbagi 2 bagian besar yang terdiri dari proses pembelajaran dan proses pengenalan. Preprocessing yang dilakukan pada proses pembelajaran sama seperti pada proses pengenalan. Hasil pembelajaran. 3.8-21.

Seminar Nasional Teknologi Informasi dan Multimedia 2015. ISSN : 2302-3805. STMIK AMIKOM Yogyakarta, 6-8 Februari 2015. BPNN berupa bobot keterhubungan antara neuron di lapisan input dan tersembunyi dan antara neuron dilapisan tersembunyi dan keluaran akan disimpan dalam database. Hasil pembelajaran tersebut kemudian akan digunakan pada proses pengenalan. Penjelasan setiap proses yang dilakukan adalah sebagai berikut : 1. Grayscaling. Proses konversi citra bmp (berupa citra naskah Braille hasil scanning) menjadi citra grayscale dilakukan dengan menggunakan persamaan:. grayscale ( s ) . RG B 3. ……(10). Keterangan : R : nilai piksel merah (red) G : nilai piksel hijau (green) B : nilai piksel biru (blue). 2. Thresholding Thresholding atau proses pengambangan akan menghasilkan citra biner naskah Braille yang nilai pikselnya hanya memiliki dua buah nilai tingkat keabuan, yaitu 0 dan 255. Metode yang digunakan untuk menentukan nilai threshold ini adalah dengan menggunakan metode Iterative Selection. 3. Automatic Cropping Proses automatic cropping dimulai dari pembentukan vertical histogram untuk segmentasi baris dan kemudian dilanjutkan dengan horizontal histogram yang digunakan untuk segmentasi kolom. Hasil proses automatic cropping berupa karakter-karakter Braille yang sudah tersegmentasi. Setelah itu, proses segmentasi titik Braille dilakukan dengan menggunakan cara yang sama untuk mendapatkan titik Braille. 4. Perhitungan nilai fitur GLCM. Gray Level Coocurance Matrix (GLCM) dibentuk dari titik-titik Braille yang sudah tersegmentasi. Setelah itu, dicari hasil ekstraksi ciri berupa 8 buah vektor ciri (fitur) dengan menggunakan GLCM seperti yang sudah dijelaskan pada subbab tinjauan pustaka. 5. Pembelajaran BPNN. Proses pembelajaran BPNN dilakukan dengan menggunakan algoritma pembelajaran BPNN. Input data berupa 8 buah nilai fitur hasil ekstraksi GLCM dimasukkan ke neuron (8 buah) dilapisan input. Neuron di lapisan output yang berjumlah 1 buah digunakan untuk menentukan pengenalan titik timbul Braille ( nilai ouput = 1) atau berupa noise (nilai output = 0). 6. Pengenalan BPNN Proses pengenalan BPNN menggunakan arsitektur yang sama dengan proses pembelajaran. Bobot keterhubungan yang digunakan diambil dari hasil pembelajaran.. Gambar 6. Diagram Alur Pengenalan Naskah Braille 7. Konversi Braille. Setelah didapat hasil pengenalan berupa titik Braille, maka letak titik tersebut disesuaikan dengan posisi titik dalam karakter Braille (lihat gambar 1) dengan menggunakan tabel karakter Braille. Output dari proses “Automatic Cropping pada pengenalan naskah Braille” berupa karakter Braille dan karakter standar. 4. Hasil dan Pembahasan Pada proses pengujian pengenalan naskah Braille ini masih menggunakan sampel data yang sama dengan sebelumnya “Gray Level Cooccurrence Matrix sebagai pengekstraksi ciri pada pengenalan naskah Braille” yaitu dilakukan dengan menggunakan buku Franklin Bermain Sepak Bola, Pengarang: Paulette Bourgeois & Brenda Clark, Penerbit: Kanisius yang dibraillekan oleh: Yayasan. 3.8-22.

ISSN : 2302-3805. Seminar Nasional Teknologi Informasi dan Multimedia 2015 STMIK AMIKOM Yogyakarta, 6-8 Februari 2015. Mitra Netra Jakarta, 2007. Pengenalan dilakukan terhadap halaman ke-1 sampai halaman ke-10 [1].. nilai fitur yang sama dengan nilai titik Braille. Sehingga kotoran dikenali sebagai titik Braille dengan posisi yang sama dengan karakter a.. Proses pembelajaran BPNN dilakukan dengan menggunakan nilai parameter pembelajaran sebagai berikut : - Jumlah neuron di lapisan tersembunyi = 14 - Error maks = 0,001 - Epoch maks = 10.000 - Learning rate = 0,5 Grafik hasil proses pembelajaran dapat dilihat pada gambar 7. Gambar 7. Grafik Hasil Pembelajaran. Proses pembelajaran selesai setelah mendapatkan error minimal 0,001 setelah 41 epoch. Dari hasil tersebut dapat dikatakan bahwa pembelajaran berhasil. Untuk mengetahui tingkat keberhasilan pengenalan naskah Braille, maka dilakukan proses pengenalan BPNN. Hasil dapat dilihat pada tabel di bawah ini : Tabel 1.Tingkat Keberhasilan Naskah Braille. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.. Jumlah Karakter 126 134 147 139 162 72 137 139 130 109. Presentasi Pengenalan 100,00% 99,43% 98,05% 97,88% 99,50% 100,00% 99,27% 100,00% 95,42% 96,46%. p. a. n. j. a. n. g. Gambar 8. Kesalahan Pengenalan 1 - Pada pengenalan kalimat ke-10 kata yang ke-6, kata “berlari” dikenali sebagai “berla i” karena terdapat kotoran dengan nilai fitur yang sama dengan nilai fitur pada titik Braille sehingga dikenali sebagai sebuah titik Braille. Pada saat posisinya disesuaikan dengan tabel, maka tidak ada karakter Braille yang sesuai.. b. Gambar 7. Grafik Hasil Pembelajaran. Halaman. a. e. r. l. a. i. Gambar 9. Kesalahan Pengenalan 2 5. Kesimpulan Pada penelitian “Automatic Cropping pada pengenalan naskah Braille” ini, rata-rata tingkat keberhasilan yang dicapai cukup tinggi yaitu sebesar atas 98,60 %. Dengan keberhasilan tertinggi sebesar 100 %. Kesalahan pengenalan terjadi karena adanya kotoran (noise) yang masih dianggap sebagai titik Braille Daftar Pustaka [1] [2] [3] [4] [5]. Dari hasil pengujian di atas dapat disimpulkan bahwa BPNN dapat mengenali titik Braille dengan cukup baik dengan rata-rata hasil pengenalan 98,60%. Beberapa kesalahan pengenalan yang terjadi adalah sebagai berikut : - Pada Pengenalan kalimat ke-9 kata ke-4, kata “panjang” dikenali sebagai kata “apanjang”, karena kotoran yang terdapat di depan karakter p titik Braille mempunyai. [6] [7]. [8]. 3.8-23. Ardiyansah, Teknik Cropping Image Menggunakan Pen Tool,http://dkv.binus.ac.id/2010/04/15/teknik-cropping-imagemenggunakan-pen-tool/, 29 Januari 2014. Braille Cell, Punctuations, http://www.mathsisfun.com/Braille.html, 29 Januari 2014. Braille’s Spreading, http://www.bbc.co.uk/news/magazine16984742, 29 Januari 2014. Beyers, Mryka Hall. Matrix Framework GLCM Tutorial. http://www.fp.ucalgary.ca/mhallbey/the_glcm.htm, 30 Januari 2014. Chairisni Lubis, dan Yegar Sahaduta, 2013, “Graylevel Coocurance Matrix Sebagai Pengekstraksi Ciri Pada Pengenalan Naskah Braille”, Prosiding SemNas TEKNOMEDIA, STMIK AMIKOM , Yogyakarta. Fausett, Laurene. Fundamentals of Neural Network.(Englewood Cliffs : Prentice hall, 1993. Purnomo Adi dan Puspitodjati Sulistyo , Aplikasi Pemrograman C# Untuk Analisis Tekstur Kayu Parquet Dengan Menggunakan Metode Grey Level Co-occurrence Matrix (GLCM), http://www.gunadarma.ac.id/library/articles/graduate/industrialtechnology/2009/Artikel_50405013.pdf,h.5. Pustaka Musbir, Tanda Baca Braille, http://musbir.blogspot.com/2013_07_01_archive.html, 29 Januari 2014..

Seminar Nasional Teknologi Informasi dan Multimedia 2015 STMIK AMIKOM Yogyakarta, 6-8 Februari 2015 [9]. Wibawanto Hari et al, Juni 2008 , Identifikasi Citra Massa Kistik Berdasar Fitur Gray Level Co-occurrence Matrix , Seminar Nasional Aplikasi Teknologi Informasi, Yogyakarta. [10] Youssef Es Saady, Amazigh Handwritten Character Recognition based on Horizontal and Vertical Centerline of Character. International Journal of Advanced Science and Technology, 3 Februari 2014. [11] Zaidi Razak dan Khansa Zulkiflee, A Real Time Line Segmentation Algorithm For An Offline Overlapped Handwritten Jawi Character Recognition Chip, (Kuala Lumpur: Faculty of Computer Science and Information Technology University of Malaya), h.173.. Biodata Penulis Chairisni Lubis, memperoleh gelar Sarjana Fisika (Dra), Jurusan Fisika Universitas Indonesia, Depok, lulus tahun 1989. Memperoleh gelar Magister Komputer (M.Kom) Program Pasca Sarjana Ilmu Komputer, Universitas Indonesia, Depok, lulus tahun 2000. Saat ini menjadi Dosen Tetap di Fakultas Teknologi Informasi Universitas Tarumanagara, Jakarta. Agus Budi Dharmawan, memperoleh gelar Sarjana Komputer (S.Kom), Program Studi Sistem Komputer Fakultas Teknologi Informasi Universitas Tarumanagara, Jakarta, lulus tahun 2007. Memperoleh gelar Magister Komputer (MT) dari Jaringan Cerdas Multimedia, Teknik Elektro, ITS, lulus tahun 2011 dan Master of Engineering (M.Eng) dari Automation, Electrical Engineering, Fahochscule Darmstadt, Germany, lulus tahun 2011. Saat ini menjadi Dosen Tetap di Fakultas Teknologi Informasi Universitas Tarumanagara, Jakarta. Michiko Ang, memperoleh gelar Sarjana Komputer (S.Kom), Program Studi Teknik Informatika Fakultas Teknologi Informasi Universitas Tarumanagara, Jakarta, lulus tahun 2014.. 3.8-24. ISSN : 2302-3805.