PENGENALAN POLA ANGKA DENGAN WAVELET HAAR. Skripsi

(1)

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

(2)

SKRIPSI

PENGENALAN POLA ANGKA DENGAN WAVELET HAAR

Oleh :

Fransisca Pramesti

NIM: 023124019

Telah disetujui oleh:

Pembimbing

(3)

HALAMAN PENGESAHAN

PENGENALAN POLA ANGKA DENGAN WAVELET HAAR

Dipersiapkan dan ditulis oleh

FRANSISCA PRAMESTI

(4)

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.

(5)

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

(6)

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.

(7)

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.

(8)

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.

(9)

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

(10)

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

(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

(12)

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

(13)

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

(14)

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

(15)

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

(16)

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

(17)

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 :

(18)

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

(19)

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

(20)

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).

(21)

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.

(22)

Contoh teori keputusan:

Misalkan ada N pola yang dikenali, yaitu w

1

, w

2

,...,w

N

dan 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

0 b

peluang

P ( diameter | jeruk )

P ( diameter | apel )

diameter

a

(23)

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

(24)

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)

(25)

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

(26)

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]

T

_{dan [0 1]}

T

_{untuk 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]

T

dan [1 0]

T

merupakan basis dari

ruang vektor dua dimensi karena dapat merepresentasikan semua vektor sebagai

kombinasi linier dari basis [0 1]

T

dan [1 0]

T

. Atau dapat pula dikatakan bahwa

basis [0 1]

T

, [1 0]

T

merentang ruang dua dimensi.

Bila ingin mempresentasikan sebauh titik atau vektor, maka basis [0 1]

T

dan [1 0]

T

sudah cukup memadai. Tetapi, basis [0 1]

T

, [1 0]

T

bukan 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.

(27)

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

_k

φ

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 k

k

x

c

x

)

(

1 )

(

2 )

(

₁ 0

_φ

ϕ

………(2.2)

Dari mother wavelet ini kemudian dapat dibentuk wavelet-wavelet

berikutnya (ψ

1

, ψ

2

dan 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.

(28)

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

1

0

0 ,

0

1

0 ,

0

1

3 2 1 0

v

Wavelet Haar juga merentang ruang vektor 4 dimensi dengan vektor-vektor basis

sebagai berikut













−

=













−

=













−

=













=

1

0

0 ,

0

1

1 ,

1

1 ,

1

3 2 1 0

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

(29)

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

0

1

3 2 1 0

d

c

b

a

x

………. (2.4)

(30)

Dapat dicari dengan :

Menurunkan persamaan (2.4) sebagai berikut :

x0 = a + b + c

x1 = a + b – c

x

2 = a – b + d

x

3 = a – b – d

sehingga 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

2

dan x

3

dengan 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

a

j j H H H L j L j L j − − − −

_

_→

_

_→

→



dimana a

j

adalah vektor awal dengan ukuran 2

j

, dan koefisien a, b, c, d dapat

diperoleh dari aproksimasi a

0

detail-detail d

0

, d

1

dan seterusnya. Matriks L dan H

(31)

























− − − − − − − − = = 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 1

0

0 H

L

[

]

_{[ ]}

[

]

[ ]

3

6

1

2

1

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

a

H H L L

(

)

(

)

(

)

(

)

(

)

(

)

(

)

(

)

( )

(

)

(

1

2 )

( )

1

6

2

1

0

2

1

2

1

3

2

1

2

1

2

1

2

1

2

1

2

1

1 3 2 1 1 0 0 3 2 1 0 0 3 2 1 0

−

=

−

=

−

=

÷

−

÷

=

÷

=

d

x

d

x

c

d

x

b

a

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

0

dan semua nilai-nilai detail d

0

,d

1

dan d

1

dimana

(32)

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

0

0 )

6 (

0

1

3

1

2

5

7

4

6

(33)

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

0

0 ½

- ½

0

0 ½

½

0

0 ½

- ½

0

0 ½

½

0

0 ½

- ½

0

0 ½

½

0

0 ½

- ½

2. Untuk setiap kolom, kalikan kolom tersebut dengan matriks dekomposisi

di atas.

Contoh untuk kolom pertama:

(34)

½

0

47

57 ½

- ½

0

67 -10

0

0 ½

½

0

72

69

0

0 ½

- ½

0

0 *

67 =

2.5

0

0 ½

½

0

39

45

0

0 ½

- ½

0

51 - 6

0

0 ½

½

64

75

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

(35)

4. Setelah itu, lakukan hal yang sama dengan cara mengambil perbaris.

½

0

57

64 ½

- ½

0

71 -7

0

0 ½

½

0

46.5

41.25

0

0 ½

- ½

0

0 *

36 =

5.25

0

0 ½

½

0

54

72.7

0

0 ½

- ½

0

31.5

11.25

0

0 ½

½

25.5

18.25

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

(36)

(

) (

)

(

2

)

2 1 2 2 1

x

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

(37)

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

(38)

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

(39)

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

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

(40)

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

(41)

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 :

(42)

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

(43)

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)

(44)

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

(45)

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.

(46)

Saat memilih tombol preprocessing maka akan muncul axes yang menampilkan

gambar hasil preprocessing. Axes ini tidak terlihat ketika user belum memilih

tombol preprocessing.

(47)

Untuk memilih dan menampilkan hasil ekstraksi ciri pilih popupmenu sesuai

level. Level pilihan akan muncul pada ‘edittext’ disebelah popupmenu.

(48)

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

(49)

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

(50)

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

(51)

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.

(52)

If preprocessing= 0 Dekomposisi wavelet Hitung rata approksimasi,horis ontal,diagonal,verti kal Pesan kesalahan selesai tidak ya preprocessimg Input gambar mulai Vektor ciri