PENGENALAN POLA ANGKA DENGAN WAVELET HAAR
Skripsi
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Sains
Program Studi Ilmu Komputer
Oleh :
Fransisca Pramesti
NIM: 023124019
PRODI ILMU KOMPUTER JURUSAN MATEMATIKA
FAKULTAS MIPA
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
SKRIPSI
PENGENALAN POLA ANGKA DENGAN WAVELET HAAR
Oleh :
Fransisca Pramesti
NIM: 023124019
Telah disetujui oleh:
Pembimbing
HALAMAN PENGESAHAN
PENGENALAN POLA ANGKA DENGAN WAVELET HAAR
Dipersiapkan dan ditulis oleh
FRANSISCA PRAMESTI
PERNYATAAN KEASLIAN KARYA
Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis ini
tidak memuat karya/bagian karya orang lain, kecuali yang telah disebutkan dalam
kutipan dan daftar pustaka, sebagaimana layaknya karya ilmiah.
Kesuksesan adalah kebanggaan, dan proses dibalik semua
itu adalah pelajaran
Allah turut bekerja dalam segala sesuatu untuk
mendatangkan kebaikan bagi mereka yang mengasihi Dia...
Roma 8:28
Tugas akhir ini kupersembahkan untuk :
TUHAN YESUS, BUNDA MARIA
Bapak Nararyohadi &Ibu Dwi Purwaningsih
Adikku Adi dan Tyas
ABSTRAK
Usaha untuk menghasilkan alat yang dapat meniru kemampuan manusia
dalam pengenalan obyek terus dilakukan diberbagai bidang. Usaha-usaha tersebut
telah mendukung berkembangnya suatu disiplin dan metodologi yang kemudian
dikenal dengan nama Pengenalan Pola (Pattern Recognition). Salah satu yang
populer adalah aplikasi Optical Character Recognition.
Aplikasi dari Optical Character Recognition yang terdapat dalam tugas
akhir ini digunakan untuk mengenali tulisan tangan yang ditulis dengan alat bantu
mouse yang telah disimpan dalam bentuk file .bmp. Proses pengenalan karakter
ini diterapkan menggunakan metode template matching, dimana cara kerja metode
ini adalah melakukan pengenalan pola terhadap karakter yang ingin dikenali
dengan membandingkan antara input pattern dengan template yang sudah
disimpan. Proses recognition yang diterapkan menggunakan feature extraction
dengan wavelet Daubechies 1 atau yang biasa disebut dengan wavelet Haar. Hasil
yang dicapai dari sistem ini menunjukkan bahwa unjuk kerja pengenalan
meningkat cukup signifikan untuk masukan dengan dimensi 32 x 32
(dekomposisi wavelet level 1) yaitu sebesar 83.33%, untuk masukan berdimensi
16 x 16 (dekomposisi wavelet level 2) sebesar 63.33%, dan masukkan dengan
dimensi 8 x 8 (dekomposisi wavelet level 3) sebesar 60%. Prosentase
keberhasilan yang relatif kecil pada level 2 dan level 3 disebabkan karena semakin
kecil dimensi gambar masukan, maka informasi yang tersimpan pada gambar
masukan juga semakin sedikit.
ABSTRACT
Efforts for producting tools which can imitate human skill in recognizing an
object have been conducting in many different aspects. The efforts support the
development of a kind of disciplined methodology called Pattern Recognition.
One of the most popular ones is Optical Character Recognition Application.
The application of Optical Character Recognition which have been stored in
this thesis is need to recognize handwriting written by mouse. The character
recognition process is applied using template matching method, in which the
method works by recognizing the pattern in the character which suppose to be
recognized by comparing the input pattern with stored template. The recognition
process applied uses feature extraction with daubechies1 wavelet, also known as
Haar wavelet. The result achieved from this system shows that the recognition
result increase significantly for the input with 32 x 32 dimensions (Level 1 of
wavelet decomposition) that is for about 83.33%. Compared with the input with
16 x 16 dimensions (level 2 of wavelet decomposition) and the input with 8 x 8
dimensions (level 3 of wavelet decomposition). The percentage of the success on
level 2 and level 3 caused by the input images dimension in become smaller. So
the information which has been restore on the input image also become smaller.
KATA PENGANTAR
Puji dan syukur penulis ungkapkan pada Tuhan Yesus dan Bunda Maria,
karena hanya berkat dan bimbingan-Nya penulis bisa menyelesaikan tugas akhir
ini. Dengan usaha yang keras dan diiringi doa yang tiada henti juga atas bantuan
semua pihak maka skripsi ini dapat diselesaikan.
Dengan selesainya tugas akhir yang merupakan salah satu syarat untuk
meraih gelar Sarjana pada Program Studi Ilmu Komputer Universitas Sanata
Dharma Yogyakarta, penulis mengucapkan terima kasih yang sebesar - besarnya
kepada:
1. Ibu PH Prima Rosa, S.Si., M.Sc selaku Ketua Program Studi Ilmu Komputer
Universitas Sanata Dharma.
2. Ibu Rita Widiarti, S.Si, M.Kom selaku Dosen pembimbing atas segala
pemikiran dalam membimbing, ide, tenaga dalam menyelesaikan skripsi ini,
serta kesabaran dan sarana yang sangat penulis perlukan untuk
menyelesaikan tugas akhir ini dari awal hingga selesai.
3. Bapak St. Eko Hari Permadi, S.Si., M.Kom dan Bapak Y.Joko Nugroho,
S.Si selaku Dosen penguji dan semua dosen Ilmu Komputer Universitas
Sanata Dharma yang telah memberikan dukungan dalam penyelesaian
skripsi ini.
4. Orang tua tercinta Bapak Nararyohadi dan Ibu Dwi Purwaningsih. Terima
kasih atas doa, dukungan untuk terus maju, cinta dan kesabaran dalam
mendidik penulis.
5. Adikku Adi dan Tyas, makasih buat dukungan dan hiburannya ☺
6. Agustinus Adi Santoso, makasih buat doa, dukungan dan kesabaran
menemani menyelesaikan tugas akhir ini.
7. Hendy, Agus, Uus, Oscar, Tina, Pipit, Evy, Agnes Putri, Ikoq, Lusi, Agnes
Novens, dan Teman-teman IKOM 02 yang tidak bisa disebutkan satu per
satu.
8. Bpk/Ibu Joko Pamungkas, dan teman-teman wisma Rosari yang telah
bersedia menjadi pengisi template angka (Dinta+Yoyo, Nine+Presto, Devi,
Agnes (D’ Patkay), Agnes Psi, Jean, Suci, Dewi, Vivi, Tina, Tika, Nice, De’
e, Sri ), dan seluruh penghuni Rosari!!!!!
9. Galuh, Titis dan Keluarga Besar Papringan.
10. Petugas Laboran dan Sekre MIPA (Pak Tukijo, Ibu Linda) terima kasih buat
bantuannya.
Penulis menyadari bahwa dalam penulisan tugas akhir ini masih
banyak kekurangan, kelemahan dan jauh dari sempurna. Oleh sebab itu
penulis dengan kerendahan hati mengharapkan kritik dan saran yang
membangun untuk penyempurnaan tugas akhir ini.
Yogyakarta, April 2007
Penulis
DAFTAR ISI
HALAMAN JUDUL………..
i
HALAMAN PERSETUJUAN...
ii
HALAMAN PENGESAHAN...
iii
PERNYATAAN KEASLIAN KARYA……… iv
HALAMAN PERSEMBAHAN...
v
ABSTRAK………..
vi
ABSTRAC...
vii
KATA PENGANTAR...
viii
DAFTAR ISI……….. x
DAFTAR TABEL………...
xii
DAFTAR GAMBAR……….. xiii
BAB I PENDAHULUAN………..
1
A. Latar Belakang………. 1
B. Rumusan Masalah……… 2
C. Batasan Masalah……….. 2
D. Tujuan Penulisan……….. 2
E. Manfaat Penulisan……… 2
F. Metodologi Penelitian………... 3
G. Sistematika Pembahasan……….. 3
BAB II LANDASAN TEORI………
5
A. Pengertian Pengenalan Pola……… 5
B. Sistem Pengenalan Pola………...
6
1. Pendekatan Statistik………..
6
2. Pendekatan Sintaktik……….10
C. Ekstraksi Ciri Dengan Dekomposisi Wavelet………
11
1. Vektor……….. 11
3. Transformasi Terhadap Citra……… 17
4. Contoh Dekomposisi Citra Dengan Wavelet Haar………..18
D. Euclidean Algoritma………
21
BAB III ANALISA DAN PERANCANGAN SISTEM………... 22
A. Analisa Sistem………... 22
1. Desain Sistem Pembuat Basis Data……… 23
2. Desain Sistem Pengenalan Angka……….. 24
B. Analisa Kebutuhan Hardware dan Software……….. 25
C. Perancangan User interface……… 26
D. Perancangan Proses……… 35
1. Input Data Baru……….. 35
2. Preprocessing ……… 36.
3. Ekstraksi Ciri……… 37
4. Pengenalan Angka………. 38
BAB IV IMPLEMENTASI………... 40
A. Algoritma..……… 40
B. Jalannya Program…….……… 43
BAB V HASIL DAN PEMBAHASAN………
55
C. Hasil Pengujian……… 55
D. Analisa Hasil……… 59
BAB VI KESIMPULAN DAN SARAN……… 60
DAFTAR PUSTAKA………... 61
LAMPIRAN A... 63
LAMPIRAN B... 93
DAFTAR TABEL
Tabel 2.1 Tabel Pola dan Cirinya………
5
Tabel 2.2 Analogi pendekatan statistika dan sintatik………
10
Tabel 2.3 Scalling, Mother Wavelet, Mother Wavelet Dilasi, Mother
Wavelet Dilasi digeser...
14
Tabel 5.1 Hasil Pengujian………
55
DAFTAR GAMBAR
2.1 Grafik fungsi kerapatan dan ciri diameter apel dan jeruk...
7
2.2 Diagrampendekatanstatistik...
8
2.3 Contoh Pembagian Kelas Pola………
9
2.4 Diagram Pendekatan Sintaktik………
10
2.5Vektor h0, h1, h2, h3 dalam Bentuk Sinyal………
13
2.6 Algortima Pyramida Mallat………..
15
2.7 Proses Dekomposisi wavelet……….. 17
2.8 Hasil Dekomposisi wavelet ………
18
2.9 Diagram Ruang ciri set sample belajar. Sampel i
dimasukkan ke kategori k=3 berdasarkan
metode tetangga terdekat dengan pengukuran jarak educlidean…...
21
3.1 Hubungan antara sistem pembuat basis data dengan sistem
pengenalan angka………
22
3.2 DFD level 0……….
23
3.3 DFD level 1 ……….
23
3.4 DFDlevel2………
24
3.5 DFD level 0………
24
3.6 DFD level 1………
24
3.7 DFD level 2………
25
3.8 Flowchart umum………
27
3.9 Form awal………..
28
3.10 Form menu utama………
29
3.12 Form ambil gambar………. 30
3.13 Form tampilan gambar masukan………
31
3.14 Perancangan form tampilan gambar preprocessing……… 32
3.15 Perancangan form tampilan gambar ekstraksi ciri……….. 33
3.16 Perancangan form hasil pengenalan……… 33
3.17 Perancangan peringatan……….. 34
3.18 Perancangan konfirmasi……….. 34
3.19 Perancangan informasi……….. 34
3.20 Flowchart input data baru………. 35
3.21 Flowchart preprocessing………
36
3.22 Flowchart ekstraksi ciri……… 37
3.23 Flowchart pengenalan angka……… 39
4.1 Form welcome……… 43
4.2 menu utama……… 44
4.3 Open file gambar angka……… 44
4.4 Form waitbar……… 45
4.5 Form proses pengenalan tampil gambar……… 45
4.6 Hasil preprocessing……… 46
4.7 ekstraksi ciri level 1……… 47
4.8 ekstraksi ciri level 2……… 48
4.9 ekstraksi ciri level 3……… 49
4.10 Hasil pengenalan……….. 50
4.12 Form data baru……… 51
4.13 Form data baru preprocessing………
52
4.14 Form vektor ciri………..
52
4.15 Form dialog simpan………
53
4.16 Kesalahan preprocessing………
53
4.17 Kesalahan ekstraksi ciri……… 53
BAB I
PENDAHULUAN
A. Latar Belakang
Manusia mempunyai kemampuan luar biasa untuk mengenali
obyek berdasarkan ciri-ciri atau pengetahuan yang pernah diamatinya dari
obyek-obyek bersangkutan. Misalnya manusia dapat membedakan dengan mudah antara
tiang listrik dengan pohon, atau antara kursi dengan meja. Begitu juga
kemampuan pengenalan manusia dalam mengenali tulisan tangan maupun tulisan
cetak dalam bentuk angka maupun huruf.
Usaha untuk menghasilkan alat yang dapat meniru kemampuan manusia
dalam pengenalan obyek terus dilakukan diberbagai bidang. Usaha-usaha tersebut
telah mendukung berkembangnya suatu disiplin dan metodologi yang kemudian
dikenal dengan nama Pengenalan Pola (Pattern Recognition). Salah satu yang
populer adalah aplikasi Optical Character Recognition.
Pada proses pengenalan itu sendiri, terdapat beberapa metode untuk
mendapatkan hasil pengenalan yang lebih akurat. Salah satu yang populer adalah
Dekomposisi Wavelet Haar. Disini Wavelet Haar digunakan untuk penarikan
vektor ciri. Wavelet Haar merupakan wavelet yang paling sederhana. Selain itu,
dibandingkan dengan penyimpanan langsung (tanpa transformasi), penyimpanan
citra digital sebagai deret Haar (yang diwakili oleh koefisien Haar) mempunyai
keunggulan yaitu semakin tinggi resolusi citra digital tersebut, semakin banyak
koefisien Haar dan semakin kecil nilainya (banyak di antaranya malah akan
bernilai nol). Pembulatan koefisien-koefisien Haar yang bernilai "kecil" menjadi
nol akan menghemat banyak memori penyimpanan dan tidak akan mengubah
banyak citra semula. Dan juga Wavelet Haar dapat membawa keluar ciri (feature)
asli dari citra yang dikenainya. Dengan demikian penulis tertarik untuk membuat
aplikasi pengenalan angka dengan ekstraksi ciri Wavelet Haar.
B. Rumusan Masalah
Membangun program apliksi untuk mengenali angka dengan Wavelet Haar.
C. Batasan masalah
1. Metode ekstraksi ciri wavelet Haar yang dipakai hanya pada level 1, level
2, dan level 3
2. Gambar masukan berupa gambar angka yang ditulis dengan alat bantu
mouse dengan format .bmp
3. Posisi gambar angka tegak
4. Ukuran gambar minimal 64 pixel x 64 pixel
D. Tujuan
Membuat aplikasi yang dapat mengenali gambar angka dengan
pemrosesan awal wavelet .
E. Manfaat
Hasil pengenalan dapat dikembangkan untuk aplikasi pengenalan pola
yang lain, misalnya pengenalan kode pos
F. Metodologi
Metodologi dalam Rekayasa Perangkat Lunak yang digunakan adalah
metode Waterfall. Tahap-tahap yang akan dilakukan adalah :
1. Perancangan sistem : mengumpulkan input untuk sistem dan output apa
saja yang akan dihasilkan oleh sistem yang dibuat.
2. Analisis : Semua kebutuhan yang sudah dikumpulkan diidentifikasi dan
difokuskan secara khusus pada program aplikasi.
3. Desain : Pada tahap ini semua kebutuhan yang sudah diidentifikasi akan
diubah menjadi suatu representasi software sepert flowchart yang dapat
dipelajari kualitasnya sebelum memasuki tahap coding.
4. Implementasi: Hasil dari tahap desain akan diubah menjadi bentuk yang
dapat dibaca dan dieksekusi oleh mesin , dalam hal ini adalah dalam
bentuk listing program.
5. Pengujian: Untuk menemukan error dan memastikan bahwa input yang
sudah diidentifikasikan pada tahap perancangan dan analisis akan
menghasilkan output seperti yang diinginkan.
G. Sistematika Penulisan
BAB I Pendahuluan
Pada bab ini akan dibahas latar belakang masalah, rumusan masalah,
batasan masalah, metodologi, tujuan dan manfaat, sistematika
penulisan.
BAB II Landasan Teori
Dalam bab ini akan dijelaskan mengenai pengetahuan yang menjadi
dasar teori untuk mengimplementasikan pengenalan pola dengan
menggunakan transformasi wavelet sebagai pemrosesan awal dan
euclidean algoritma sebagai metode pengambilan keputusan.
BAB III Analisis Sistem
Dalam bab ini akan diidentifikasikan masalah yang akan diselesaikan
dan tahap-tahap penyelesaian masalah pengenalan pola
Dalam bab ini akan dibahas algoritma untuk implementasi pengenalan
pola dan tampilan jalannya program
BAB V Hasil dan Pembahasan
Dalam bab ini akan ditampilkan hasil pengujian program dan analisa
terhadap hasil pengujian.
BAB VI Kesimpulan dan Saran
Dalam bab ini memuat kesimpulan dan saran dari masalah yang telah
dibahas
BAB II
DASAR TEORI
A.
Pengertian Pengenalan Pola
Pola adalah entitas yang terdefinisi dan dapat didefinisikan melalui
ciri-cirinya (feture) (Rinaldi Munir, 2004). Feature adalah deskriptor yang
menggambarkan karakteristik dari suatu obyek (Dina Chahyati, 2003). Ciri ini
digunakan untuk membedakan suatu pola dengan pola lainnya. Ciri yang bagus
adalah ciri yang memiliki daya pembeda yang tinggi, sehingga pengelompokan
pola berdasarkan ciri yang dimiliki dapat dilakukan dengan keakuratan yang
tinggi. Berikut contoh pola beserta ciri yang dimiliki sebagai pembeda
Tabel 2.1 Contoh Pola dan Cirinya
Pola
Ciri
Huruf
Tinggi, tebal, titik sudut, lengkungan
garis,dll
Suara
Amplitude, frekuensi, nada, intonasi,
warna, dll
Tanda tangan
Panjang, kerumitan, tekanan,dll
Sidik jari
Lengkungan, jumlah garis, dll
Sedangkan pengertian pengenalan pola sendiri adalah proses pengenalan
suatu obyek dengan menggunakan berbagai metode dimana dalam proses
pengenalannya memiliki tingkat akurasi yang tinggi (Suta Wijaya, 2004).
Memiliki tingkat akurasi yang tinggi mengandung pengertian bahwa suatu objek
yang secara manual tidak dapat dikenali, tetapi bila menggunakan salah suatu
metode pengenalan yang diaplikasikan pada komputer masih dapat dikenali.
Pengenalan pola bertujuan menentukan kelompok atau kategori pola berdasarkan
ciri-ciri yang dimiliki oleh pola tersebut. Dengan kata lain, pengenalan pola
membedakan suatu obyek dengan obyek lain ( Rinaldi Munir, 2004).
B.
Sistem Pengenalan Pola
Dalam pengenalan pola terbagi ke dalam dua fase proses pengenalan yaitu :
1) fase pelatihan, pada fase ini beberapa contoh citra dipelajari untuk
menentukan ciri yang akan digunakan dalam proses pengenalan
serta prosedur klasifikasinya.
2) Fase pengenalan, pada fase ini citra diambil cirinya kemudian
ditentukan kelas kelompoknya.
Pendekatan yang digunakan dalam sistem pengenalan pola yaitu
pendekatan secara statistik dan pendekatan secara sintatik atau struktural (Rinaldi
Munir,2004)
1.
Pendekatan Statistik
Pendekatan ini menggunakan teori-teori ilmu peluang dan statistik.
Ciri-ciri yang dimiliki oleh suatu pola ditentukan distribusi statistiknya. Pola
yang berbeda memiliki distribusi yang berbeda pula. Dengan
menggunakan teori keputusan di dalam statistik, digunakan distribusi ciri
untuk mengklasifikasi pola.
Contoh teori keputusan:
Misalkan ada N pola yang dikenali, yaitu w
1, w
2,...,w
Ndan fungsi
peluang atau kerapatan dari ciri – ciri pada pola diketahui. Jika x
merupakan hasil pengukuran ciri – ciri, maka
P( x | wi ) , i = 1, 2, ..., N
dapat dihitung.
Sebagai contoh, misalkan diketahui fungsi kerapatan dari diameter
buah jeruk dan apel.
Jika sebuah objek diukur dan diperoleh diameternya adalah a cm, maka dapat
diklasifikasikan objek tersebut sebagai “ jeruk “, karena
p ( a | jeruk ) > p ( a | apel )
dan jika sebuah objek diukur dan diperoleh diameternya adalah b cm, maka
dapat diklasifikasikan objek tersebut sebagai “ apel “, karena
p ( a | jeruk ) > p ( a | apel ). Gambar sistem pengenalan pola dengan
pendekatan statistik ditunjukkan oleh diagram pada Gambar 2.2 (Rinaldi
Munir,2004).
1
1
0
b
peluang
P ( diameter | jeruk )
P ( diameter | apel )
diameter
a
Langkah-langkah sistem pengenalan pola dengan pendekatan statistik pada
gambar 2.2 diterangkan sebagai berikut :
1) Preprocessing
Preprocessing adalah proses awal yang dilakukan untuk memperbaiki
kualitas citra dengan menggunakan teknik-teknik pengolahan citra
(Rinaldi Munir,2004). Teknik pengolahan citra yang digunakan dalam
penulisan ini adalah binerisasi dan pengubahan ukuran (imresize).
Binerisasi adalah proses mengubah pixel citra yang memiliki dua nilai
keabuan yaitu hitam dan putih (Rinaldi Munir,2004).
2) Feature Extraction
Feature Extraction adalah proses mengambil ciri-ciri yang terdapat pada
obyek di dalam citra. Pada proses ini obyek di dalam citra mungkin
perlu dideteksi seluruh tepinya lalu menghitung properti-properti obyek
yang berkaitan sebagai ciri. Proses ekstraksi ciri menggunakan
dekomposisi wavelet
3) Classification
Classification adalah proses mengelompokkan obyek ke dalam kelas
yang sesuai.
4) Feature Selection
Feature selection adalah proses memilih ciri pada suatu obyek agar
diperoleh ciri yang optimum, yaitu ciri yang dapat digunakan untuk
membedakan suatu obyek dengan obyek lainnya.
5) Learning
Learning adalah proses belajar membuat aturan klasifikasi sehingga
jumlah kelas yang tumpang tindih dibuat sekecil mungkin. Kumpulan
ciri dari suatu pola dinyatakan sebagai vektor ciri dalam ruang multi
dimensi. Jadi, setiap pola dinyatakan sebagai sebuah titik dalam ruang
multi dimensi. Ruang multi dimensi dibagi menjadi sejumlah subruang.
Tiap subruang dibentuk berdasarkan pola-pola yang sudah dikenali
kategori dan ciri-cirinya .
(Sumber : Pengolahan Citra Digital Dengan Pendekatan Algoritmik, Rinaldi Munir)
2.
Pendekatan sintatik
Pendekatan sintaktik adalah pendekatan untuk pengenalan pola menggunakan
teori bahasa formal. Ciri-ciri yang terdapat pada suatu pola ditentukan primitif
dan hubungan struktural antara primitif kemudian menyusun tata bahasanya.
Kelompok ini ditentukan dari aturan produksi pada tata bahasa yang telah
disusun. Gambar 2.4 memperlihatkan sistem pengenalan pola dengan
pendekatan sintaktik.
Pendekatan yang digunakan dalam membentuk tata bahasa untuk mengenali
pola adalah mengikuti kontur atau tepi batas obyek dengan sejumlah segmen
garis terhubung satu sama lain, lalu mengkodekan setiap garis tersebut,
misalnya dengan kode rantai. Setiap segmen garis mempresentasikan primitif
pembentuk obyek. Analogi Pendekatan Statistik dan Sintaktik pada tabel 2.2
Ciri/feture (warna,tekstur) Primitif (garis lurus, orientasi)
Density Function
(probabilitas)
Grammar (natural language)
Gambar 2.4 Pendekatan sintaktik
Estimation (mean, varian)
Inferensi (aplikasi primitif pada grammar)
Classification (kategori
obyek)
Description (kategori obyek)
Contoh beberapa Sistem Pengenalan Pola :
• Prosedur dasar computer untuk klasifikasi obyek otomatis dan
pembuatan keputusan.
• Pengenalan sidik jari, suara
• Pengenalan barcode untuk industri
C.
Ekstraksi Ciri Dengan Dekomposisi Wavelet
1. Vektor
Apabila diketahui sebuah ruang vektor dua dimensi, maka akan terdapat
vektor [1 0]
Tdan [0 1]
Tuntuk merepresentasikan semua vektor yang dapat
terbentuk di ruangan tersebut.
Contoh : [2 3]
T= 2 [1 0]
T+ 3 [0 1]
T.
Dengan demikian, dikatakan bahwa vektor [0 1]
Tdan [1 0]
Tmerupakan basis dari
ruang vektor dua dimensi karena dapat merepresentasikan semua vektor sebagai
kombinasi linier dari basis [0 1]
Tdan [1 0]
T. Atau dapat pula dikatakan bahwa
basis [0 1]
T, [1 0]
Tmerentang ruang dua dimensi.
Bila ingin mempresentasikan sebauh titik atau vektor, maka basis [0 1]
Tdan [1 0]
Tsudah cukup memadai. Tetapi, basis [0 1]
T, [1 0]
Tbukan satu-satunya
basis yang bisa merentang ruang dua dimensi. Ada basis-basis lainnya yang bisa
digunakan, contohnya [1 2]
T, [2 -1]
T. Selain berbentuk kumpulan vektor, basis
dapat juga berbentuk kumpulan fungsi.
2. Wavelet
Wavelet juga merupakan sebuah basis. Basis wavelet berasal dari sebuah
fungsi penskalaan atau dikatakan juga sebuah scaling function. Scaling function
memiliki sifat yaitu dapat disusun dari sejumlah salinan dirinya yang telah
didilasikan, ditranslasikan dan diskalakan . Fungsi ini diturunkan dari persamaan
dilasi (dilation equation), yang dianggap sebagai dasar dari teori wavelet.
Persamaan dilasi berbunyi demikian :
∑
−
=
(
2
)
)
(
x
c
kφ
x
k
φ
……….. (2.1)
Dari persamaan scaling function ini dapat dibentuk persamaan wavelet yang
pertama (atau disebut juga mother wavelet), dengan bentuk sebagai berikut :
∑
−
−
=
− k k kk
x
c
x
)
(
1
)
(
2
)
(
1 0φ
ϕ
………(2.2)
Dari mother wavelet ini kemudian dapat dibentuk wavelet-wavelet
berikutnya (ψ
1, ψ
2dan seterusnya) dengan cara mendilasikan (memampatkan atau
meregangkan) dan menggeser mother wavelet.
Scaling function yang dapat membentuk wavelet bermacam-macam
jenisnya. Berdasarkan scaling function inilah basis wavelet memiliki nama yang
berbeda-beda.
• Wavelet Haar memiliki scaling function dengan koefisien c0 = c1 = 1.
• Wavelet Daubechies dengan 4 koefisien (DB4) memiliki scaling function
dengan koefisien c0 = (1+√3)/4, c1 = (3+√3)/4, c2 = (3-√3)/4, c3 =
(1-√3)/4
• Wavelet B-Spline kubik memiliki scalilng function dengan koefisien c
0=
1/8, c1 = 4/8, c2 = 6/8, c3 = 4/8, c4 = 1/8.
Wavelet Haar dapat dijelaskan dalam ruang vektor 4 dimensi. Basis paling
sederhana yang sudah sering digunakan adalah basis orthonormal sebagai berikut :
=
=
=
=
1
0
0
0
,
0
1
0
0
,
0
0
1
0
,
0
0
0
1
3 2 1 0v
v
v
v
Wavelet Haar juga merentang ruang vektor 4 dimensi dengan vektor-vektor basis
sebagai berikut
−
=
−
=
−
−
=
=
1
1
0
0
,
0
0
1
1
,
1
1
1
1
,
1
1
1
1
3 2 1 0h
h
h
h
yang bila digambarkan dalam bentuk sinyal akan berbentuk sebagai berikut :
Gambar 2.5 Gambar vektor h0, h1, h2, h3 dalam bentuk sinyal
Sumber : Dina Chahyati. Fakultas Ilmu Komputer Universitas Indonesia Jakarta
Jika menggunakan basis orthonormal v
0, v
1, v
2, dan v
3, dapat untuk
merepresentasikan suatu vektor sebagai kombinasi linier dari v
0, v
1, v
2, dan v
3.
Misalkan ada vektor
−
=
5
7
4
6
x
Jika vektor x dituliskan sebagai berikut,
x = a v
0+ b v
1+ c v
2+ d v
3……….. (2.3)
Maka dapat dengan mudah ditemukan bahwa a=6, b=4, c=-7, dan d=5
Jika suatu vektor dipresentasikan sebagai kombinasi linear dari
vektor-vektor dalam wavelet Haar, maka nilai a,b,c dan d dalam persamaan (2.4)
−
+
−
+
−
−
+
=
1
1
0
0
0
0
1
1
1
1
1
1
1
1
1
1
3 2 1 0d
c
b
a
x
x
x
x
………. (2.4)
Dapat dicari dengan :
Menurunkan persamaan (2.4) sebagai berikut :
x0 = a + b + c
x1 = a + b – c
x
2 = a – b + dx
3 = a – b – dsehingga didapatkan :
x2 – x3 = 2d
x0 – x1 = 2c
(x
0+ x
1) – (x
2+ x
3) = 4b
(x
0+ x
1) + (x
2+ x
3) = 4a
Dengan demikian dapat diambil kesimpulan bahwa
d = ½ (x2 – x3)
c = ½ (x0 – x1)
b = ½ ( ½ (x
0+ x
1) – ½ (x
2+ x
3))
a = ½ ( ½ (x
0+ x
1) + ½ (x
2+ x
3))
Terlihat bahwa sebenarnya koefisien-koefisian a,b,c,d dapat diperoleh dari operasi
averaging (penambahan) dan differencing (selisih) terhadap nilai x
0,x
1,x
2dan x
3dengan aturan tertentu.
Stephane Mallat kemudian memperkenalkan cara mudah menghitung
koefisien a, b, c dan d dengan cara yang dikenal dengan algoritma piramida
Mallat. Algoritma tersebut dapat ditunjukkan dengan gambar berikut.
0 2 1 0 2 1
...
d
d
d
a
a
a
a
j j H H H L j L j L j − − − −
→
→
→
dimana a
jadalah vektor awal dengan ukuran 2
j, dan koefisien a, b, c, d dapat
diperoleh dari aproksimasi a
0detail-detail d
0, d
1dan seterusnya. Matriks L dan H
− − − − − − − − = = 2 2 2 2 3 . 0 1 . 0 1 3 . . . . ... 0 1 3 ... 0 1 3 2 1 1 0 . 3 2 . 3 2 1 0 . . . . ... 3 2 1 0 ... 3 2 1 0 2 1 c c c c c c c c c c c c c c c c H c c c c c c c c c c c c c c c c L
−
−
=
=
2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 10
0
0
0
0
0
0
0
H
L
[
]
[ ]
[
]
[ ]
3
6
1
2
1
5
5
7
4
6
0 1 2 1 2 1 2 1 2 1 0 0 0 0 2 1 2 1 0 2 1 2 1 1 2 1 2 1 0 0 0 0 2 1 2 1 2=
−
=
−
=
=
→
−
=
→
−
=
− − = = =d
d
a
a
a
H H L L(
)
(
)
(
)
(
)
(
)
(
)
(
)
(
)
( )
(
)
(
1
2
)
( )
1
6
2
1
1
0
2
1
2
1
3
2
1
2
1
2
1
2
2
1
2
1
2
1
1 3 2 1 1 0 0 3 2 1 0 0 3 2 1 0−
=
=
−
=
=
=
−
=
=
=
÷
−
÷
=
=
=
÷
÷
÷
=
d
x
x
d
d
x
x
c
d
x
x
x
x
b
a
x
x
x
x
a
masing masing adalah matriks lowpass (averaging) dan highpass (differencing)
dengan bentuk:
Matriks L dan H untuk basis Haar dimana c
0= c
1= 1 adalah sebagai berikut :
Proses mencari koefisien a, b, c dan d seperti ini disebut dengan proses
dekomposisi. Sebagai contoh, untuk vektor x di atas didekomposisi menjadi:
Nilai a,b, c dan d pada persamaan 2.4 kemudian dapat diperoleh dengan melihat
nilai aproksimasi terakhir a
0dan semua nilai-nilai detail d
0,d
1dan d
1dimana
Citra
Lowpass terhadap baris
Highpass terhadap baris
Lowpassi terhadap kolom
Highpass terhadap kolom
Lowpassi terhadap kolom
Highpass terhadap kolom
Gambar 2.7 Gambar proses dekomposisi wavelet
3. Transformasi terhadap citra
Untuk citra dua dimensi, prosedur dekomposisi level tunggal terdiri dari
citra satu dimensi yang di-filter pada arah mendatar kemudian diikuti oleh citra
satu dimensi yang di-filter pada arah tegak yang diutilisasi dengan menggunakan
filter tapis rendah dan filter tapis tinggi. Proses dekomposisi transformasi wavelet
untuk citra dua dimensi dapat dijelaskan pada gambar
Pada notasi Matlab, bagian LL disebut bagian aproksimasi (A), bagian LH disebut
detail vertikal (V), bagian HL disebut detail horizontal (H), dan bagian HH
disebut detail diagonal (D) (Dina Chahyati,2003).
−
−
+
−
+
−
−
+
=
−
1
1
0
0
)
6
(
0
0
1
1
1
1
1
1
1
3
1
1
1
1
2
5
7
4
6
4. Contoh Dekomposisi Citra Dengan Wavelet Haar
citra berukuran 8x8 dengan nilai sebagai berikut:
47 73 47 30 45 37 27 8
67 69 46 42 63 26 24 14
72 40 59 36 62 11 15 57
67 35 72 52 51 35 30 83
39 37 65 61 41 20 24 70
51 70 54 68 37 36 111 88
64 50 44 50 44 48 119 148
86 46 50 37 34 86 99 145
Langkah-langkah dekomposisi wavelet Haar terhadap potongan citra tersebut
adalah:
1. Tentukan filter dekomposisi LH, yaitu
½
½
0
0
0
0
0
0
½
- ½
0
0
0
0
0
0
0
0
½
½
0
0
0
0
0
0
½
- ½
0
0
0
0
0
0
0
0
½
½
0
0
0
0
0
0
½
- ½
0
0
0
0
0
0
0
0
½
½
0
0
0
0
0
0
½
- ½
2. Untuk setiap kolom, kalikan kolom tersebut dengan matriks dekomposisi
di atas.
Contoh untuk kolom pertama:
½
½
0
0
0
0
0
0
47
57
½
- ½
0
0
0
0
0
0
67
-10
0
0
½
½
0
0
0
0
72
69
0
0
½
- ½
0
0
0
0
*
67
=
2.5
0
0
0
0
½
½
0
0
39
45
0
0
0
0
½
- ½
0
0
51
- 6
0
0
0
0
0
0
½
½
64
75
0
0
0
0
0
0
½
- ½
86
-11
Hasil dekomposisi perbaris ini akan menghasilkan matriks D2 sbb
57.0000 71.0000 46.5000 36.0000 54.0000 31.5000 25.5000 11.0000
-10.0000 2.0000 0.5000 -6.0000 -9.0000 5.5000 1.5000 -3.0000
69.5000 37.5000 65.5000 44.0000 56.5000 23.0000 22.5000 70.0000
2.5000 2.5000 -6.5000 -8.0000 5.5000 -12.0000 -7.5000 -13.0000
45.0000 53.5000 59.5000 64.5000 39.0000 28.0000 67.5000 79.0000
-6.0000 -16.5000 5.5000 -3.5000 2.0000 -8.0000 -43.5000 -9.0000
75.0000 48.0000 47.0000 43.5000 39.0000 67.0000 109.0000 146.5000
-11.0000 2.0000 -3.0000 6.5000 5.0000 -19.0000 10.0000 1.5000
Keterangan:
- warna biru adalah hasil aproksimasi
- warna merah adalah hasil detail
3.
Atur hasil pada point 3 supaya bagian aproksimasi berkumpul di bagian
atas dan bagian detail mengumpul di bagian bawah (matriks D3)
57.0000 71.0000 46.5000 36.0000 54.0000 31.5000 25.5000 11.0000
69.5000 37.5000 65.5000 44.0000 56.5000 23.0000 22.5000 70.0000
45.0000 53.5000 59.5000 64.5000 39.0000 28.0000 67.5000 79.0000
75.0000 48.0000 47.0000 43.5000 39.0000 67.0000 109.0000 146.5000
-10.0000 2.0000 0.5000 -6.0000 -9.0000 5.5000 1.5000 -3.0000
2.5000 2.5000 -6.5000 -8.0000 5.5000 -12.0000 -7.5000 -13.0000
-6.0000 -16.5000 5.5000 -3.5000 2.0000 -8.0000 -43.5000 -9.0000
-11.0000 2.0000 -3.0000 6.5000 5.0000 -19.0000 10.0000 1.5000
4.
Setelah itu, lakukan hal yang sama dengan cara mengambil perbaris.
½
½
0
0
0
0
0
0
57
64
½
- ½
0
0
0
0
0
0
71
-7
0
0
½
½
0
0
0
0
46.5
41.25
0
0
½
- ½
0
0
0
0
*
36
=
5.25
0
0
0
0
½
½
0
0
54
72.7
0
0
0
0
½
- ½
0
0
31.5
11.25
0
0
0
0
0
0
½
½
25.5
18.25
0
0
0
0
0
0
½
- ½
11
7.25
Kemudian hasilnya diletakkan di matriks hasil kembali dalam bentuk baris,
sehingga hasilnya (matriks D4) akan sebagai berikut:
64.0000
-7.0000
41.2500
5.2500
42.7500
11.2500
18.2500
7.2500
53.5000
16.0000
54.7500
10.7500
39.7500
16.7500
46.2500
-23.7500
49.2500
-4.2500
62.0000 -
2.5000
33.5000
5.5000
73.2500
-5.7500
61.5000
13.5000
45.2500
1.7500
53.0000 -
14.0000
127.7500 -
18.7500
-4.0000
-6.0000
-2.7500
3.2500
-1.7500
-7.2500
-0.7500
2.2500
2.5000
0
-7.2500
0.7500
-3.2500
8.7500
-10.2500
2.7500
-11.2500
5.2500
1.0000
4.5000
-3.0000
5.0000
-26.2500 -
17.2500
-4.5000
-6.5000
1.7500
-4.7500
-7.0000 1
2.0000
5.7500
4.2500
5.
Atur hasil pada point 4 supaya bagian aproksimasi berkumpul di bagian
kiri dan bagian detail mengumpul di bagian kanan (matriks D5)
64.0000 41.2500 42.7500 18.2500
-7.0000 5.2500 11.2500 7.2500
53.5000 54.7500 39.7500 46.2500
16.0000 10.7500 16.7500 -23.7500
49.2500 62.0000 33.5000 73.2500
-4.2500 -2.5000 5.5000 -5.7500
61.5000 45.2500 53.0000 127.7500
13.5000 1.7500 -14.0000 -18.7500
-4.0000 -2.7500 -1.7500 -0.7500
-6.0000 3.2500 -7.2500 2.2500
2.5000 -7.2500 -3.2500 -10.2500
0 0.7500 8.7500 2.7500
-11.2500 1.0000 -3.0000 -26.2500
5.2500 4.5000 5.0000 -17.2500
-4.5000 1.7500 -7.0000 5.7500
-6.5000 -4.7500 12.0000 4.2500
6.
Hasilnya sebagai berikut :
64.0000 41.2500 42.7500 18.2500
-7.0000 5.2500 11.2500 7.2500
53.5000 54.7500 39.7500 46.2500
16.0000 10.7500 16.7500 -23.7500
49.2500 62.0000 33.5000 73.2500
-4.2500 -2.5000 5.5000 -5.7500
61.5000 45.2500 53.0000 127.7500
13.5000 1.7500 -14.0000 -18.7500
(
) (
)
(
2)
2 1 2 2 1x
y
y
x
d
=
−
+
−
2.5000 -7.2500 -3.2500 -10.2500
0 0.7500 8.7500 2.7500
-11.2500 1.0000 -3.0000 -26.2500
5.2500 4.5000 5.0000 -17.2500
-4.5000 1.7500 -7.0000 5.7500
-6.5000 -4.7500 12.0000 4.2500
Keterangan:
- warna biru adalah bagian aproksimasi
- warna merah adalah bagian detail horizontal
- warna coklat adalah bagian detai vertikal
- warna hijau adalah bagian detail diagonal
7. Penentuan vektor ciri
Dari masing-masing kelompok pada poin 6 tersebut kemudian diambil
rata-ratanya.
D.
Euclidean Algoritma
Dari sampel i yang akan ditentukan kategorinya, dihitung jaraknya ke
masing-masing template. Rumus jarak euclidean
……….(2.5)
Sampel i dimasukkan pada kategori obyek dengan harga d yang terkecil (Aniati
Murni, 1992) Gambar klasifikasi berdasarkan Euclidean ditunjukkan pada gambar
2.9
Ciri 1
Sampel i
d1
d2
d3
Kelas1
Kelas 2
Kelas 3
Ciri 2
Gambar 2.9 Diagram ruang ciri set sampel belajar. Sampel
i dimasukkan ke kategori obyek k = 3 berdasarkan metode
tetangga terdekat dengan pengukuran jarak euclidean
Sistem Pembuat Basis Data Sistem Pengenalan Angka Developer User ciri ciri gambar gambar hasil_pengenalan gambar
BAB III
ANALISA DAN PERANCANGAN SISTEM
A. Analisa Sistem
Sistem yang dibuat adalah sistem untuk pengenalan pola tulisan tangan,
lebih khusus yaitu pola angka menggunakan metode statistik sederhana yaitu
euclidean algoritma dengan ekstraksi ciri wavelet.
Dalam sistem ini, gambar masukan akan dicari vektor ciri kemudian
dibandingkan dengan vektor ciri pada template. Gambar akan dikenali ke template
tertentu dengan melihat jarak euclidean yang paling minimal. Vektor ciri template
disimpan dalam tabel tbciri pada database AngkaCetak Hubungan antara sistem
pembuat basis data sebagai penyedia template dengan sistem pengenalan angka
dapat digambarkan sebagai berikut :
Desain Sistem Pembuat Basis Data dan desain Sistem Pengenalan Angka
dapat digambarkan dengan DFD sebagai berikut :
Gambar 3.1 Gambar hubungan antara Sistem Pembuat Basis Data
dengan Sistem Pengenalan Angka
developer 1. input 2. preprocessing 3. ekstraksi_ciri ciri ciri ciri gambar_normal_biner gambar_angka gambar_angka
1. Desain Sistem Pembuat Basis Data
DFD Level 0
Developer memasukkan gambar angka ke dalam sistem pembuat basis
data. Dari sistem pembuat basis data memperoleh ciri . Digambarkan pada DFD
level 0 gambar 3.2
DFD Level 1
Di dalam sistem pembuat basis data gambar angka akan diolah melalui
proses preprocessing, dan ekstraksi ciri. Hasilnya berupa vektor ciri yang akan
disimpan dalam tbciri. Digambarkan pada gambar 3.3
DFD Level 2
Pada proses preprocessing, gambar masukkan akan diubah menjadi
gambar biner, dan normalisasi ukuran gambar. Proses preprocessing digambarkan
pada gambar 3.4
Gambar 3.2 DFD Level 0
2.1 binerisasi
2.2 ubah_ukuran
gambar_angka gambar_biner gambar_normal_biner
user 1 Input 2 Preprocessing 3 Ekstraksi ciri 4 keputusan ciri
gambar_angka gambar_angka gambar_biner_normal
hasil_pengenalan_angka
ciri
ciri
2. Desain Sistem Pengenalan Angka
DFD Level 0
User memasukkan gambar angka ke sistem pengenalan angka. Dalam
sistem ini gambar angka diproses sehingga menghasilkan hasil pengenalan angka
sesuai gambar masukkan. Digambarkan pada DFD level 0 gambar 3.5
DFD Level 1
User memasukkan gambar angka, kemudian gambar angka akan diproses
pada proses preprocessing. Hasilnya adalah gambar biner dengan ukuran yang
sudah disesuaikan yaitu 64 x 64. Hasil proses preprocessing masuk ke proses
Gambar 3.5 DFD Level 0
Gambar 3.4 DFD Level 2
ekstraksi ciri. Hasilnya berupa vektor ciri yang nantinya digunakan sebagai input
pada proses pengenalan.
DFD Level 2
Pola template yang disediakan berjumlah 50 buah. Terdiri dari pola angka
0 sampai dengan 9. Untuk ujicoba program akan dicobakan terhadap 30 pola
angka. Sistem akan memberi informasi hasil pengenalan pola masukkan sebagai
pola angka tertentu.
B.
Analisa Kebutuhan Hardware dan Software
1. Analisa kebutuhan hardware
Kebutuhan hardware merupakan kebutuhan akan perangkat keras
komputer untuk mendukung sistem yang akan dibuat. Yang dibutuhkan
untuk membangun sistem ini antara lain :
1. Main board : MSI PM8M2 V
2. Procesor
: Intel P4 2.66 GHz
3. Memori
: RAM 256 MB
4. Hard disk
: HDD 40 Gbyte
5. Monitor
: LG 15’
6. Disk Drive
: Samsung 52x
Gambar 3.7 DFD Level 2
2. Analisis kebutuhan software
Analisis kebutuhan software untuk mendukung pengoperasian dan
pengembangan sistem.
1. Sistem operasi
: Sistem Operasi Windows XP
2. Source Code
: Matlab 6.5
3. Browser
: Internet Explorer
4. Data base
: SQLyog
C.
Perancangan User Interface
Sistem yang dibuat terdiri dari 2 menu yaitu : File dan Informasi.
1. Menu File terdiri dari sub menu Input pola yaitu untuk memasukkan pola
angka yang ingin dikenali, Input Data Baru yaitu untuk memasukkan data
baru. Sub menu keluar untuk menutup program
2. Menu informasi untuk menampilkan informasi tentang penggunaan program.
Gambaran sistem secara umum adalah sebagai berikut :
mulai Menu Pilihan 1. File 2. Informasi Masukkan pilihan(pil)? Selesai ya Menu Pilihan 1. Input Pola 2. Input Data Baru
3.Keluar Masukkan pilihan(x)? If pil=1 If x=1 If x=2 If pil=2 informasi tidak tidak ya tidak tidak Input pola Input data baru ya ya If x=3
a. Form awal program dimulai
Dalam form awal ini terdiri dari
1. 4 buah static text yang digunakan sebagai pembuat dua garis siku atas dan
bawah.
2. Satu buah axes untuk menampilkan gambar pada tulisan judul : Program
pengenalan angka.
3. Satu buah pushbutton (tombol) untuk masuk ke menu utama
Gambar 3.9 Form Awal (Welcome)
b. Form Menu Utama
Form ini terdiri dari satu buah axes yang menampilkan latar belakang menu utama
Pada form ini terdiri dari sebuah menu editor dimana terdapat menu-menu sebagai
berikut :
LOGO
Gambar 3.10 Form Menu Utama
File
Input Pola
Input Data Baru
Kelua
r
Informasi
Form ini untuk mengambil pola yang akan dijadikan data baru dan juga pola yang
akan dikenali.
c. Perancangan form proses pengenalan angka
Dalam form ini semua proses pengenalan ditampilkan mulai dari tampil hasil
input , preprocessing, ekstraksi ciri, dan pengenalan angka. Pada saat form
muncul pertama kali yang ditampilkan adalah :
1. axes untuk menampilkan gambar masukkan
2. Static text dibawah axes untuk menampilkan tulisan ‘gambar asli’
3. 3 buah pushbutton (tombol) untuk proses preprocessing, pengenalan,
dan kembali ke menu utama.
Saat memilih tombol preprocessing maka akan muncul axes yang menampilkan
gambar hasil preprocessing. Axes ini tidak terlihat ketika user belum memilih
tombol preprocessing.
Untuk memilih dan menampilkan hasil ekstraksi ciri pilih popupmenu sesuai
level. Level pilihan akan muncul pada ‘edittext’ disebelah popupmenu.
Axes warna putih muncul saat memilih level 1, axes warna biru muncul pada saat
memilih level 2, axes warna abu-abu muncul pada saat memilih level 3
d. Perancangan form pengenalan angka
Form ini terdiri dari statictext sebagai keterangan ‘gambar dikenali sebagai angka’
dan edit text untuk menampilkan hasil pengenalan.
Pushbutton untuk menutup form hasil pengenalan
Gambar 3.15 Perancangan Form tampilan gambar ekstraksi ciri
e. Perancangan form peringatan
Ada dua form yaitu peringantan preprocessing, dan ekstraksi ciri
f. Perancangan form konfirmasi
Ada dua form yaitu dialog keluar program dan simpan data baru
g. Perancangan Form Informasi
Terdiri 1 buah axes untuk gambar background, dan static text untuk penulisan
informasi program, nama pembuat, dan dosen pembimbing
Gambar 3.17 Perancangan Form peringatan
Gambar 3.18 Perancangan Form konfirmasi
mulai Input gambar preprocessing If preprocessing= 0 Ekstraksi ambil vektor ciri simpan Pesan kesalahan selesai tidak ya
D.
Perancangan proses
1.
Input Data Baru
Cara kerja proses ini
a. Ambil gambar baru
b. Preprocessing
c. Ekstraksi ciri untuk penarikan vektor ciri
d. Simpan vektor ciri
mulai Ambil gambar angka binerisasi Ubah ukuran Citra normal biner selesai
2.
Preprocessing
Cara kerja proses ini
a. Ambil gambar dari input
b. binerisasi citra, yaitu pengubahan citra grayscale menjadi citra
hitam putih yang bernilai 1 dan 0. angka 1 menyatakan warna
putih, dan 0 menyatakan warna hitam
c. Pengubahan ukuran citra menjadi citra dengan ukuran 64 x 64.
If preprocessing= 0 Dekomposisi wavelet Hitung rata approksimasi,horis ontal,diagonal,verti kal Pesan kesalahan selesai tidak ya preprocessimg Input gambar mulai Vektor ciri
3.
Proses Ekstraksi ciri
Pada proses ini langkah-langkah yang dilakukan sehingga mendapatkan vektor
ciri :
1. Ambil gambar hasil preprocessing yaitu gambar normal biner
2. Kenai dengan dekomposisi wavelet
3. Hasil dekomposisi wavelet adalah approksimasi, detail vertikal,
horisontal,dan diagonal hitung rata-rata sehingga menjadi vektor ciri
4.
Proses pengenalan angka
Dalam proses ini gambar input setelah dicari vektor cirinya akan dibandingkan
dengan vektor ciri yang ada pada template. Dengan melihat nilai paling minimum
jarak antara vektor ciri input dengan vektor ciri masing-masing template. Gambar
akan dikenali sebagai anggota template tertentu jika memiliki jarak yang paling
dekat.
mulai
Ambil vektor ciri input i=1 If i<=panjangbaris Hitung d Cari nilai d paling min Tampil hasil pengenalan selesai ya tidak