FAJAR MATIUS GINTING 101402055
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Teknologi Informasi
FAJAR MATIUS GINTING 101402055
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : PENGENALAN KATA MENGGUNAKAN
SELF-ORGANIZING MAP SEBAGAI INPUT KAMUS
BERBASIS ANDROID Kategori : SKRIPSI
Nama : FAJAR MATIUS GINTING Nomor Induk Mahasiswa : 101402055
Program Studi : S1 TEKNOLOGI INFORMASI Departemen : TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Dani Gunawan, ST.,MT Dedy Arisandi, S.T., M.Kom NIP. 19820915 201212 1 002 NIP 19790831 200912 1 002
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi Ketua,
PERNYATAAN
PENGENALAN KATA MENGGUNAKAN SELF-ORGANIZING MAP SEBAGAI INPUT KAMUS BERBASIS ANDROID
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 29 Agustus 2015
UCAPAN TERIMA KASIH
Puji dan syukur penulis sampaikan kehadirat Tuhan Yang Maha Esa atas berkat dan rahmat yang telah diberikan sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Teknologi Informasi Universitas Sumatera Utara.
Penulis mengucapkan banyak terima kasih kepada Bapak Bapak Dedy Arisandi, S.T., M.Kom selaku dosen pembimbing pertama dan Bapak Dani Gunawan, ST.,MT selaku dosen pembimbing kedua yang telah membimbing, memberi kritik dan saran kepada penulis selama proses penelitian serta penulisan skripsi. Tanpa inspirasi serta motivasi dari kedua dosen pembimbing, tentunya penulis tidak akan mampu menyelesaikan skripsi ini. Penulis juga mengucapkan terima kasih kepada Bapak Prof. Dr. Opim Salim Sitompul, M.Sc selaku dosen pembanding pertama dan Bapak Romi Fadillah Rahmat, B.Comp.Sc., M.Sc sebagai dosen pembanding kedua yang telah membantu memberikan kritik dan saran yang membantu penulis dalam pengerjaan skripsi ini. Ucapan terima kasih juga penulis tujukan pada semua dosen, pegawai serta staff pada program studi S1 Teknologi Informasi yang telah membantu dan membimbing penulis selama proses perkuliahan.
Penulis juga berterima kasih terutama kepada kedua orang tua penulis, Bapak Laurentius Ginting Manik serta Ibu Rasmita Milala yang telah membesarkan penulis dengan sabar dan penuh kasih sayang. Penulis juga berterima kasih kepada adik dan kakak penulis Terbit Kornelius Ginting dan Maria Mentari Ginting serta seluruh anggota keluarga penulis yang namanya tidak dapat disebutkan satu per satu.
ABSTRAK
Salah satu kesulitan yang dialami turis ketika berkunjung ke Rusia adalah masalah bahasa. Penggunaan aplikasi kamus Bahasa Rusia dapat digunakan untuk mengatasi masalah tersebut. Akan tetapi, muncul masalah jika turis tidak familiar terhadap huruf yang dipakai Bahasa Rusia. Bahasa Rusia menggunakan huruf Cyrillic yang penggunaannya terbatas pada Rusia dan beberapa negara tetangganya. Huruf Cyrillic bentuknya berbeda dengan huruf latin. Hal ini sangat menyulitkan turis ketika ingin melakukan penerjemahan dengan mengetikkan kata dari Bahasa Rusia ke aplikasi kamus. Oleh karena itu dibutuhkan sebuah cara untuk menginputkan kata dalam Bahasa Rusia yang menggunakan huruf Cyrillic tersebut. Salah satunya adalah dengan mengambil gambar dari kata yang ingin diterjemahkan, lalu dikenali polanya. Pengenalan pola akan menggunakan jaringan saraf tiruan Self-organizing Map. Pengolahan citra untuk mendapatkan nilai masukan untuk pengenalan polanya akan menggunakan binarisasi, penapisan derau, segmentasi, thinning, dan kemudian fitur akan diekstrak menggunakan pemetaan piksel. Citra kata akan di potong-potong menjadi citra karakter, kemudian setiap citra karakter akan di ekstrak fiturnya, dan dikirim ke server untuk dikenali polanya. Hasil dari server akan dikirim ke klien untuk ditampilkan. Hasil yang didapat adalah, sistem mampu mengenali karakter Cyrillic dengan akurasi dari pengenalan yang didapatkan adalah 91,92% terhadap data uji yang berupa huruf dan 83,79% untuk data uji yang berupa kata.
ANDROID DICTIONARY APPLICATION WITH IMAGE RECOGNITION USING SELF ORGANIZING MAP
ABSTRACT
One of tourist problems when visiting Russia is language problem. The use of dictionary application for Russian language can overcome this language problem. But another problem arise when the tourist is not familiar with the alphabet used by Russian language. The Russian language using Cyrillic alphabet, which its use limited only to Russia and some of Russias neighboring states. The Cyrillic alphabet has different form than Latin alphabet. Because of this, tourist will encounter difficulties when trying to translate Russian word by typing it to the dictionary application. Therefore, other method of inputting is needed. One of them is by taking the picture of the word, and then recognize the pattern. Pattern recognizing will use one of neural network method, Self-organizing Map. Image processing will be used to get the input value for pattern recognition, such as binarisation, noise filtering, segmentation, thinning, and then the feature will be extracted using pixel mapping. The image containing the word is segmented into many image that containing one character each, and each of that isolated image will have its feature extracted, and then send to server for recognition. The recognition result will be send back to the android client, and shown to the user. The result is, system is able to recognize Cyrillic character pattern with accuracy of recognition is 91,92% for test data in the form of letters and 83,79% for test data in the form of words.
DAFTAR ISI
Persetujuan ii
Pernyataan iii
Ucapan Terima Kasih iv
Abstrak v
Abstract vi
Daftar Isi vii
Dafter Tabel ix
Daftar Gambar x
BAB 1 PENDAHULUAN 1
1.1Latar Belakang 1
1.2Rumusan Masalah 3
1.3Tujuan Penelitian 3
1.4Batasan Masalah 3
1.5Manfaat Penelitian 4
1.6Sistematika Penulisan 4
BAB 2 LANDASAN TEORI 5
2.1 Bahasa Rusia 5
2.2 Pengolahan Citra Digital 8
2.2.1 Pengertian Citra 8
2.2.2. Binerisasi 9
2.2.3 Penapisan Derau 11
2.2.4 Segmentasi 13
2.2.5 Thinning 14
2.3 Ekstraksi Fitur 16
2.4 Pengenalan Pola 17
2.5 Self-Organizing Map 18
2.6 Penelitian Terkait 20
3.1 Basis data yang digunakan 23
3.2 Arsitektur umum 24
3.2.1 Input Citra 26
3.2.2 Prapengolahan Citra 26
3.2.3 Ekstraksi Fitur 38
3.2.4 Menerima Data pada server 38
3.2.5 Klasifikasi 39
3.2.6 Pelatihan 40
3.2.7 Menerima Data pada klien 41
3.2.8 Penerjemahan 42
3.2.9 Menampilkan Hasil 42
3.3 Use case dan User case spesification 44
3.3.1 Use case 44
3.3.2 Use case spesification 44
BAB 4 IMPLEMENTASI DAN PENGUJIAN 48
4.1 Pengujian Server 48
4.1.1 Proses Pelatihan 48
4.1.2 Proses Pengujian 48
4.2 Pengujian Klien 50
BAB 5 KESIMPULAN DAN SARAN 57
5.1 Kesimpulan 57
5.2 Saran 57
Daftar Pustaka 59
DAFTAR TABEL
Tabel 2.1 Tabel huruf Cyrillic 7
Tabel 2.2 Tabel Penelitian Terdahulu 21 Tabel 3.1 Contoh rekord dari database 23
Tabel 3.2 Penggunaan Font 40
DAFTAR GAMBAR
Gambar 2.1 Piksel pada citra 8
Gambar 2.2 Hasil binerisasi dengn algoritma Otsu 11 Gambar 2.3 Piksel dan tetangganya 12 Gambar 2.4 Citra dengan Median Filter 13 Gambar 2.5 Ilustrasi pemotongan karakter dari sebuah citra 14
Gambar 2.6 Proses Thinning 16
Gambar 2.7 Ilustrasi pemetaan piksel, dari citra menjadi untaian nilai 17 Gambar 2.8 Struktur Sistem Pengenalan Pola 17 Gambar 2.9 Contoh jaringan kohonen dengan ukuran node 4x4 dan
2 unit masukan 19
Gambar 3.1 Diagram blok sistem secara keseluruhan 24 Gambar 3.2 Diagram blok prapengolahan citra pada klien 25 Gambar 3.3 Diagram blok pelatihan pada server 26 Gambar 3.4 Diagram blok prapengolahan citra pada server 26 Gambar 3.5 Flowchart median filter 3x3 27 Gambar 3.6 Hasil penapisan derau 28 Gambar 3.7 Flowchart Grayscaling 29 Gambar 3.8 Flowchart penentuan ambang batas menggunakan metode Otsu 30 Gambar 3.9 Flowchart metode ambang batas 31
Gambar 3.10 Hasil Binerisasi 32
Gambar 3.11 Flowchart segmentasi kata menjadi kolom yang berisi satu huruf 34
Gambar 3.12 Hasil Segmentasi 35
Gambar 3.17 Diagram alir klasifikasi data hasil ekstraksi fitur 39 Gambar 3.18 Diagram alir proses pelatihan 41 Gambar 3.19 Rancangan tampilan hasil 43
Gambar 3.20 Use Case 44
Gambar 4.1 Iklan dari potongan sebuah majalah berbahasa Rusia 50 Gambar 4.2 Menentukan bagian yang mengandung kata yang ingin
diterjemahkan 51
Gambar 4.3 Bagian yang dipilih oleh user 51 Gambar 4.4 Hasil penapisan derau 52
Gambar 4.5 Hasil binerisasi 52
Gambar 4.6 Hasil segmentasi 53
Gambar 4.7 Hasil penskalaan 53
Gambar 4.8 Hasil dari prapengolahan citra 53 Gambar 4.9 Hasil penerjemahan ditampilkan berserta bagian yang dijadikan
