SEGMENTASI AKSARA BALI PADA DAUN LONTAR MENGGUNAKAN PROFIL
PROYEKSI
SKRIPSI
Diajukan Untuk Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Informatika
Oleh:
DANIEL JERIANSYAH 165314038
Program Studi Informatika Fakultas Sains dan Teknologi
Universitas Sanata Dharma Yogyakarta
2020
ii
SEGMENTATION CHARACTER BALI IN LONTAR LEAF IMAGE USING
PROJECTION PROFILE
A THESIS
Present as Partial Fullfillment of the Requirements For the Degree Sarjana Komputer
In Informatics Study Program
By:
DANIEL JERIANSYAH 165314038
INFORMATICS STUDY PROGRAM
FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY
YOGYAKARTA
2020
iii
iv
v
PERNYATAAN KEASLIAN KARYA
Saya menyatakan dengan sesungguhnya bahwa tugas akhir yang saya tulis tidak mengandung atau memuat hasil karya orang lain, kecuali yang telah disebutkan dalam daftar pustaka dan kutipan selayaknya karya ilmiah.
vi
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS
Yang bertandatangan di bawah ini, saya mahasiswa Universitas Sanata Dharma:
Nama : Daniel Jeriansyah
Nomor Induk Mahasiswa : 165314038
Demi pengembangan ilmu pengetahuan, saya memberikan karya ilmiah ini kepada Perpustakaan Universitas Sanata Dharma yang berjudul:
SEGMENTASI AKSARA BALI PADA DAUN LONTAR MENGGUNAKAN PROFIL PROYEKSI
Berserta perangkat yang diperlukan (bila ada). Sengan demikian saya memberikan kepada Perpustakaan Universitas Sanata Dharma untuk menyimpan mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk apa saja, mendistribusikan secara terbatas, dan mempublikasi diinternet atau media lain untuk kepentingan akademis tanpa perlu meminta izin saya sebagai penulis.
vii
ABSTRAK
Segmentasi pada citra daun lontar terdiri dari 2 tahap yaitu segmentasi baris dan segmentasi aksara. Segmentasi baris yaitu mendapatkan beberapa baris dalam teks dokumen sedangkan Segmentasi aksara yaitu mendapatkan beberapa kolom dalam teks dokumen. Untuk melakukan kedua hal tersebut ada beberapa cara antara lain menggunakan profil proyeksi. Dalam penelitian ini akan dibuat sistem yang melakukan segmentasi baris dan segmentasi aksara dengan menggunakan metode profil proyeksi. Data citra yang digunakan adalah citra daun lontar aksara Bali dengan jumlah data sebanyak 15 citra. Pada proses preprocessing akan dilakukan tahap rotasi, grayscalling, binerisasi. Pada tahap segmentasi baris menggunakan metode proyeksi horizontal dan proyeksi vertikal untuk mendapatkan baris pada citra dokumen sedangkan untuk segmentasi aksara menggunakan metode proyeksi horizontal. Hasil Penelitian diperoleh hasil kinerja sistem dalam melakukan segmentasi aksara rata-rata sebesar 90%.
Kata Kunci : citra daun lontar , preprocessing, segmentasi profil proyeksi
viii
ABSTRACT
Segmentation in the palm leaf image consists of 2 stages, namely line segmentation and character segmentation. Line segmentation is getting multiple lines in the document text while script segmentation is getting several columns in the document text. There are several ways to do these two things, including using a projection profile. In this research, a system that performs line segmentation and character segmentation will be built using the projection profile method. Image data used is the image of Balinese palm leaves with a total data of 15 images. In the process preprocessing rotation, grayscalling, binaryization. In the line segmentation stage, the horizontal projection method and vertical projection are used to get the lines in the document image, while the script segmentation uses the horizontal projection method. The results showed that the results of the system performance in segmenting characters were an average of 90%.
Keywords: palm leaf image, preprocessing, projection profile segmentation
ix
KATA PENGANTAR
Dalam kesempatan ini penulis ingin mengucapkan terima kasih kepada semua pihak yang telah memberikan bantuan, motivasi, dan dukungan baik secara mental maupun fisik, serta doa dalam menyelesaikan tugas akhir ini. Dengan kerendahan hati, penulis mengucapkan terima kasih kepada :
1. Tuhan Yesus, atas berkat dan kasih karuniaNya penulis dapat menyelesaikan skripsi ini.
2. Kedua orang tua Bapak Petrus Ngon dan Ibu Karniawati Yanet Tina, serta kakak Naomi Theresia yang selalu mendoakan dan memberikan dukungan serta semangat sehingga penulisan tugas akhir dapat terselesaikan dengan sempurna
3. Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen pembimbing tugas akhir yang telah bersedia meluangkan waktu dan tenaganya untuk memberikan arahan dan masukan kepada penulis.
4. Bapak Sudi Mungkasi,S.Si.,M.Math.,Ph.D. selaku Dekan Fakultas Sains dan Teknologi.
5. Bapak Robertus Adi Nugroho S.T., M.Eng. selaku Ketua Progam Studi Informatika yang selalu memberikan dukungan baik secara langsung maupun tidak langsung dalam mengerjakan tugas akhir.
6. Seluruh dosen Informatika Universitas Sanata Dharma yang telah mendidik dan memberikan ilmu pengetahuan yang digunakan penulis pada tugas akhir ini.
7. Teman – teman satu bimbingan yang dari awal telah berjuang bersama-sama, yang memberi semangat tiada henti, menguatkan satu sama lain.
8. Teman – teman angkatan 2016 yang telah mendukung dan memberi semangat untuk terus maju.
9. Teman – teman yang tidak bisa disebutkan satu persatu yang saling mendoakan untuk kelancaran perjalanan skripsi ini.
x
Penulis menyadari bahwa tugas akhir ini masih banyak yang harus dikembangkan lagi, oleh karena itu penulis mengharapkan kritik dan saran yang dapat membangun dan bermanfaat. Semoga tugas akhir ini dapat bermanfaat bagi pembaca dan banyak pihak.
xi
DAFTAR ISI
HALAMAN JUDUL ... i
TITLE PAGE ... ii
HALAMAN PERSETUJUAN ... iii
HALAMAN PENGESAHAN ... iv
PERNYATAAN KEASLIAN KARYA ... v
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ... vi
ABSTRAK ... vii
ABSTRACT ... viii
KATA PENGANTAR ... ix
DAFTAR ISI ... xi
DAFTAR TABEL ... xiii
DAFTAR GAMBAR ... xiii
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 2
1.3 Tujuan Penelitian ... 2
1.4 Manfaat Penelitian ... 2
1.5 Batasan Masalah ... 2
1.6 Metodologi Penelitian ... 2
I.7. Sistematika Penulisan ... 3
BAB II LANDASAN TEORI ... 5
2.1 Pengertian Daun Lontar ... 5
2.2 Pengertian profil proyeksi ... 5
2.2.1 Segmentasi baris ... 5
2.2.2 Segmentasi Aksara ... 6
2.3 Evalusasi kinerja Algoritma ... 7
BAB III METODE PENELITIAN ... 8
3.1 Bahan Penelitian ... 8
3.2 Gambaran Desain Umum ... 8
3.3 Pembuatan Alat Uji ... 9
3.3.1 Diagram proses Preprocessing ... 9
3.4 Segmentasi menggunakan profil proyeksi ... 11
xii
3.4.1Segmentasi baris ... 11
3.4.2Segmentasi aksara ... 12
3.5 Tahap pengujian/Evaluasi Kinerja Algoritma ... 13
3.6 Perancangan Antar Muka Alat Uji ( GUI) ... 14
3.7 Kebutuhan Sistem ... 15
BAB IV HASIL DAN PEMBAHASAN ... 16
4.1 Data ... 16
4.2 Preprocessing ... 16
4.2.1 Rotasi ... 16
4.2.2 Grayscaling ... 17
4.2.3 Binerisasi ... 17
4.2.4 Reduksi Noise ... 18
4.3 Tahap Segmentasi Profil Proyeksi ... 18
4.3.1 Segmentasi baris ... 19
4.3.2 Segmentasi aksara ... 27
4.4 Tahap Evaluasi kinerja Sistem ... 29
BAB V KESIMPULAN DAN SARAN ... 32
5.1 Kesimpulan ... 32
5.2 Saran ... 32
DAFTAR PUSTAKA ... 33
LAMPIRAN ... 34
xiii
DAFTAR TABEL
Tabel 4.1 Hasil Segmentasi Aksara ... 28
Tabel 4.2 Pengujian Akurasi ... 29
DAFTAR GAMBAR Gambar 2.1 Profil Proyeksi Vertikal ... 6
Gambar 2.2 Profil Proyeksi Horizontal ... 6
Gambar 3.1 Citra Daun Lontar Aksara ... 8
Gambar 3.2 Gambaran Desain Umum ... 8
Gambar 3.3 Pembuatan Alat Uji ... 9
Gambar 3.4 Diagram Preprocessing ... 9
Gambar 3.5 Diagram Segmentasi Profil Proyeksi ... 11
Gambar 3.6 Prototype Antar Muka Alat Uji ( GUI) ... 14
Gambar 4.1 Citra Daun Lontar ... 16
Gambar 4.2 Citra Hasil Rotasi ... 16
Gambar 4.3 Citra Hasil Grayscale ... 17
Gambar 4.4 Citra Hasil biner ... 17
Gambar 4.5 Contoh Noise ... 18
Gambar 4.6 Hasil Reduksi Noise ... 18
Gambar 4.7 Implementasi Proyeksi Horizontal ... 19
Gambar 4.8 Implementasi Pemotongan Proyeksi Horizontal ... 20
Gambar 4.9 Hasil pemotongan proyeksi horizontal ... 21
Gambar 4.10 Implementasi Proyeksi Vertikal ... 21
Gambar 4.11 Implementasi Pemotongan Proyeksi Vertikal ... 22
Gambar 4.12 hasil pemotongan proyeksi vertikal pada citra potongan pertama ... 23
Gambar 4.13 hasil pemotongan proyeksi vertikal pada citra potangan kedua ... 23
xiv
Gambar 4.14 hasil pemotongan proyeksi vertikal pada citra
potangan ke tiga ... 24
Gambar 4.15 hasil pemotongan proyeksi vertikal pada citra potangan ke empat ... 24
Gambar 4.16 hasil pemotongan proyeksi vertikal pada citra potangan ke lima ... 24
Gambar 4.17 hasil pemotongan proyeksi vertikal pada citra potangan ke enam ... 25
Gambar 4.18 hasil pemotongan proyeksi vertikal pada citra potangan ke tujuh ... 25
Gambar 4.19 hasil pemotongan proyeksi vertikal pada citra potangan ke delapan ... 25
Gambar 4.20 Implementasi untuk pengabungan hasil proyeksi vertikal ... 26
Gambar 4.21 hasil gabungan proses segmentasi proyeksi vertikal baris 1 ... 26
Gambar 4.22 hasil gabungan proses segmentasi proyeksi vertikal baris 2 ... 27
Gambar 4.23 hasil gabungan proses segmentasi proyeksi vertikal baris 3 ... 27
Gambar 4.24 hasil gabungan proses segmentasi proyeksi vertikal baris 4 ... 27
Gambar 4.25 implementasi potong aksara baris menggunakan proyeksi horizontal ... 27
1 BAB I PENDAHULUAN
1.1 Latar Belakang
Indonesia memiliki banyak kekayaan budaya yang sangat beragam, salah satunya yaitu bahasa daerah yang memiliki tulisan latin atau tulisan aksara di berbagai daerah tertentu. Salah satu bentuk tulisan latin atau aksara daerah kuno yang ada di Indonesia yaitu Aksara Jawa, Aksara Sunda, Aksara Batak dan Aksara Bali.
Waktu ke waktu tulisan aksara daerah yang ada di daun lontar makin rusak karena waktu ke waktu daun lontar tersebut akan semakin rapuh dan lama ke lamaan akan rusak serta tulisan aksaranya makin lama akan hilang.
Di zaman modern ini banyak teknologi yang sangat canggih sehingga dengan teknologi sekarang kita dapat merawat daun lontar kuno agar tulisan aksara kuno tersebut tidak punah atau rusak. Dengan menggunakan teknologi canggih di zaman modern ini kita dapat mengubah informasi dari sebuah tulisan di kertas maupun tulisan yang ada di daun lontar maupun di dokumen dapat kita ubah ke bentuk digital melalui kamera atau pun dengan scanner, sehingga hasil bentuk digital dari dokumen tersebut di sebut citra dokumen.
Citra dokumen merupakan sebuah citra yang berisi sebuah tulisan- tulisan sehingga dengan teknologi . Untuk melakukannya membutuhkan pemrosesan citra dalam pemrosesannya membutuhkan beberapa tahap yaitu tahap preprocessing, ekstraksi ciri, klasifikasi dan yang lainnya. Pada proses preprocessing itu sendiri terdiri dari beberapa proses seperti proses rotasi, grayscalling, binerisasi, reduksi noise dan sebagainya.
Segmentasi adalah sebuah tahapan yang penting dalam proses transliterasi otomatis pada citra manuskrip (Widiarti, 2013). Salah satu bentuk segmentasi ialah segmentasi baris dan segmentasi aksara, yang merupakan sebuah tahapan penting dan mendasar pada proses segmentasi selanjutnya. Lalu dengan teridentifikasinya sebuah teks baris, proses pemisahan kata, suku kata atau huruf akan lebih optimal untuk dilakukan.
Dari penelitian segmentasi citra dokumen teks sastra Jawa modern mempergunakan profil proyeksi diperoleh tingkat akurasinya 86.78%.
Karena oleh itu, Penelitian ini dilakukan untuk mencoba metode Profil Proyeksi untuk mengetahui presentase tingkat keberhasilan segmentasi dalam citra aksara Bali pada daun lontar.
1.2 Rumusan Masalah
1. Bagimana cara mengimplementasikan profil proyeksi untuk segmentasi aksara ?
2. Berapa tingkat keberhasilan metode profil proyeksi untuk segmentasi aksara bali pada daun lontar ?
1.3 Tujuan Penelitian
Mengetahui tingkat keberhasilan metode dalam melakukan segmentasi aksara bali pada daun lontar mempergunakan profil proyeksi
1.4 Manfaat Penelitian
Manfaat penelitian ini adalah untuk menjadi tambahan referensi dalam melakukan segmentasi aksara sehingga untuk para peneliti selanjutnya agar dapat menggunakannya untuk mentransliterasi sebuah citra dokumen.
1.5 Batasan Masalah
Adapun batas-batasan masalah dalam penilitan ini :
1. Citra yang digunakan berupa citra daun lontar aksara Bali
2. Pada tahap pemrosesan hanya melakukan segmentasi baris dan aksara 3. Masukkan hanya berupa gambar dengan format jpg atau png
1.6 Metodologi Penelitian 1. Studi Literatur
Pada tahap ini berfungsi untuk mempelajari seluruh dasar teori yang ada agar dapat mendukung penelitian ini baik itu lewat buku ataupun paper yang ada tentang segementasi baris.
2. Pengumpulan Data
Pada tahap ini berfungsi untuk mengumpulan seluruh data yang diperlukan dalam proses penelitian ini yaitu sebuah data citra aksara bali pada daun lontar. Data bisa didapatkan lewat dataset, yang didapatkan dari peneliti sebelumnya.
3. Pembuatan Alat Uji
Pada tahap ini berfungsi untuk merancang sebuah sistem dengan berdasarkan metode-metode yang akan digunakan dalam tahap penelitian ini untuk mengetahui tingkat akurasi berdasarkan pada perancangan yang telah dibuat sebelumnya.
4. Pengujian Sistem dan Analisa
Pengujian sistem ini untuk melihat tingkat akurasi yang didapatkan dalam proses segmentasi baris.
I.7. Sistematika Penulisan BAB I : PENDAHULUAN
Bab ini berisi tentang latar belakang, rumusan masalah, tujuan penelitian, manfaat penelitian, Batasan masalah, metodologi penelitian, dan sistematika penulisan.
BAB II : LANDASARAN TEORI
Bab ini berisi tentang seluruh teori-teori dasar yang berkaitan dalam proses penelitian ini, yaitu meliputi objek yang digunakan berupa citra daun lontar aksara Bali, lalu metode segmentasi yang digunakan yaitu metode profil proyeksi.
BAB III : METODE PENELITIAN
Bab ini berisikan tentang rencana tahapan yang akan digunakan dalam proses penyusunan penelitian.
BAB IV : IMPLEMENTASI DAN ANALISA HASIL
Bab ini berisikan tentang penjelasan mengenai implementasi yang telah dibuat dengan menerapkan algoritma yang digunakan lalu menganalisa hasil.
BAB V : PENUTUP
Bab ini berisikan tentang kesimpulan dari seluruh penelitian serta saran yang diusulkan untuk penelitian lebih lanjut.
5 BAB II
LANDASAN TEORI
2.1 Pengertian Daun Lontar
Lontar adalah salah satu bentuk naskah kuno (manuskrip) yang ada di nusantara. Kata lontar berasal dari “ron‟ dan “tal‟. Dikenal sebagai pohon palma (Borasus flabelliformis) dinamai “ta”’ yang berasal dari “tala” nama sansekerta untuk pohon palm talipot. Ini tercemin dalam kata lontar yang berakar dari kata “ron‟(daun) dan “ta”’(pohon). Lontar banyak ditemukan di pulau Bali, tetapi beberapa ditemukan di Jawa, Sulawesi (disebut lontara), dan di Lombok. Lontar dipakai sebagai alat tulis menulis pada saat itu sebelum orang mengenal kertas (Wirayati, 2011). Serta lontar menjadi bahan naskah yang dipakai di Asia Selatan dan Asia Tenggara.
2.2 Pengertian profil proyeksi
Profil proyeksi merupakan teknik yang popular dalam melakukan proses segmentasi citra dokumen teks. Menurut Zramdini dan Ingold (1993) merumuskan apabila terdapat citra teks biner S(N,M), di mana N merupakan banyaknya baris citra dan M adalah banyaknya kolom citra. Ada 2 tahap dalam proses segmentasi profil proyeksi yaitu tahap segmentasi baris menggunakan profil proyeksi vertikal dan segmentasi aksara menggunakan profil proyeksi horizontal. Proyeksi vertikal adalah banyaknya jumlah nilai piksel hitam pada baris di dalam sebuah citra sedangkan proyeksi horizontal merupakan banyaknya jumlah nilai hitam pada kolom di dalam sebuah citra.
2.2.1 Segmentasi baris
Pada tahap segmentasi baris ini menggunakan profil proyeksi vertikal. Profil proyeksi vertikal didapatkan dengan cara menjumlahkan banyaknya nilai piksel hitam yang tegak lurus dengan sumbu y (Widiarti,2006).
𝑃𝑣[𝑗] = ∑ 𝑆[𝑖, 𝑗]
𝑀
𝑗=1
Gambar 2.1 Profil proyeksi vertikal Keterangan :
S = Citra
𝑃𝑣 = Profil proyeksi vertikal M = Lebar citra
i = Baris i = 1,2,3,……..N j = Kolom j = 1,2,3,……..N 2.2.2 Segmentasi Aksara
Segmentasi aksara merupakan langkah terakhir dalam proses segmentasi. Dalam segmentasi aksara ini menggunakan profil proyeksi horizontal. Profil proyeksi horizontal didapatkan dengan cara menjumlahkan banyaknya nilai piksel hitam yang tegak lurus pada sumbu x (Widiarti,2006).
𝑃ℎ[𝑖] = ∑ 𝑆[𝑖, 𝑗]
𝑁
𝑖=1
Gambar 2.2 Profil Proyeksi vertikal Keterangan :
S = Citra
𝑃ℎ = Profil proyeksi horizontal
(2.1)
(2.2)
N = Tinggi citra
i = baris i = 1,2,3,……..N j = Kolom j = 1,2,3,……..N
2.3 Evalusasi kinerja Algoritma
Pengukuran tingkat keberhasilan sistem akan dilakukan dengan cara menghitung jumlah objek pada citra asli dan menghitung jumlah objek citra benar pada hasil segmentasi aksara. Setelah mendapatkan jumlah objeknya maka tinggal membagi jumlah objek citra benar dari hasil segmentasi aksara dengan hasil jumlah objek pada citra asli maka akan ketemu akurasinya.
Rumus akurasi sebagai berikut:
Akurasi = jumlah objek citra benar pada hasil segmentasi baris
jumlah objek citra asli × 100% (2.3)
8 BAB III
METODE PENELITIAN
3.1 Bahan Penelitian
Dalam penelitian ini data yang digunakan merupakan dataset hasil penelitian yang diperoleh dari LPPM USD dengan judul “Segmentasi Citra Daun Lontar” dengan nomor penelitian: 02/LPPM-USD./III/2019 data berupa daun lontar dengan jumlah data sebanyak 15 data citra, dimana 1 citra memiliki 4 baris aksara Bali. Contoh datanya yaitu sebagai berikut
Gambar 3.1 Citra Daun Lontar Aksara Bali 3.2 Gambaran Desain Umum
Perancangan sistem Segmentasi Aksara Citra Daun Lontar menggunakan Metode Profil Proyeksi bertujuan untuk membuat alat uji perhitungan terhadap citra daun lontar. Gambaran desain umum sistem yang akan dibangun dapat dilihat pada gambar dibawah ini.
Gambar 3.2 Gambaran Desain Umum
Masukan dari sistem merupakan citra daun lontar aksara bali. Sistem akan melakukan proses segmentasi pada data masukan dan menghasilkan keluaran berupa citra hasil segmentasi.
Citra Daun Lontar
Segmentasi Citra Aksara Daun Lontar Menggunakan Profil
Proyeksi
Input Output Citra hasil
segmentasi
3.3 Pembuatan Alat Uji
Gambar 3.3 Desain Alat Uji
Pada gambar 3.3 menggambarkan tentang proses urutan didalam sistem untuk melakukan proses segmentasi bris citra daun lontar. Pertama masukkan data citra daun lontar sebagai inputan, lalu masuk ke proses preprocessing, segmentasi baris, kemudian mendapatkan hasil segmentasinya sebagai outputnya
3.3.1 Diagram proses Preprocessing
Gambar 3.4 diagram preprocessing Data Citra
Asli
Preprocessing
Segmentasi Profil proyeksi
Hasil Segmentasi
Data Citra Asli
Grayscalling (rgb2gray)
Rotasi
Binerisasi (im2bw)
Reduksi Noise (bwareaopen) Start
Selesai
Selesai
Pada Gambar 3.4 menggambarkan tentang urutan didalam sistem untuk melakukan proses Preprocessing yang memiliki beberapa tahap yaitu tahap rotasi menggunakan fungsi maltab rotate, grayscalling menggunakan fungsi matlab rgb2gray, binerisasi menggunakan fungsi matlab im2bw. Dan reduksi noise menggunakan fungsi matlab bwareaopen. Berikut ini adalah langkah-langah dalam proses preprocessing :
1. Rotasi
Data yang telah di dapatkan akan di rotasi terlebih dahulu dengan menggunakan aplikasi fungsi matlab rotate.
2. Grayscalling
Data yang akan di jadikan data masukkan akan di proses atau di ubah menjadi citra keabuan. Proses tersebut di sebut dengan grayscalling. Grayscalling yang digunakan yaitu dengan fungsi matlab rgb2gray.
3. Binerisasi
Setelah data di grayscalling maka selanjutnya akan diproses atau diubah menjadi citra binerisasi menggunakan fungsi im2bw dari matlab.
4. Reduksi Noise
Setelah data di binerisasi maka selanjutnya akan direduksi noise untuk menghilangkan noise yang ada pada citra dari hasil binerisasi.
Reduksi noise yang digunakan yaitu dengan fungsi matlab bwareaopen.
3.4 Segmentasi menggunakan profil proyeksi
Segmentasi menggunakan profil proyeksi merupakan teknik yang popular dalam melakukan proses segmentasi citra dokumen teks. Ada 2 tahap dalam proses segmentasi profil proyeksi yaitu tahap segmentasi baris dan segmentasi aksara. Berikut ini gambaran diagram untuk segmentasi profil proyeksi :
Gambar 3.5 Diagram Segmentasi Profil Proyeksi 3.4.1 Segmentasi baris
Pada gambar 3.5 diatas untuk proses segmentasi baris menggunakan profil proyeksi menggunakan proyeksi horizontal dan proyeksi vertikal untuk mendapatkan citra baris, berikut ini tahap-tahap untuk melakukan segmentasi baris menggunakan proyeksi horizontal dan proyeksi vertikal dari gambar 3.5 diatas :
1. Tahap proyeksi horizontal.
1. menghitung jumlah piksel hitam kolom dari citra dokumen dengan menggunakan proyeksi horizontal.
2. selanjutnya menentukan batas-batas kolom.
3. lalu hitung batas kiri, batas kanan, dan batas tengah dari dokumen.
4. untuk mendapatkan batas kiri dokumen pertama-tama dapatkan nilai tengah dengan cara nilai kolom pada dokumen dibagi 2. Untuk menentukan batas sebelah kiri dokumen hitung nilai max dari proyeksi horizontal dari awal hingga nilai tengah.
data Proyeksi Citra Baris
Vertikal Proyeksi
Horizontal
Proyeksi Horizontal Hasil Segmentasi
Aksara
5. untuk dapat batas sebelah kanan dokumen dengan cara menghitung max dari proyeksi horizontal hingga nilai batas tengah hingga batas akhir citra dokumen.
6. Menentukan batas tengah itu dengan cara menghitung nilai min proyeksi horizontal serta dari nilai batas kiri hingga batas kanan.
7. Lalu potong citra menjadi 2 bagian dengan cara ambil citra dari awal hingga batas tengah citra buat citra pertama.
8. lalu ambil citra tengah hingga citra akhir untuk citra ke dua.
2. Tahap proyeksi vertikal.
1. mengambil jumlah piksel hitam baris dari citra dokumen lalu setelah mendapat jumlah piksel hitam baris dari citra dokumen dengan menggunakan proyeksi vertikal.
2. selanjutnya tentukan batas baris terlebih dahulu pada citra.
3. Setelah dapat batas barisnya maka akan dipotong secara proyeksi vertikal dengan menggunakan batas- batas tersebut sehingga hasilnya nanti akan terdapat 4 baris.
3.4.2 Segmentasi aksara
Pada gambar 3.5 diatas untuk proses segmentasi aksara menggunakan proyeksi horizontal. Berikut ini tahap-tahap segmentasi aksara menggunakan proyeksi horizontal dari gambar 3.5 diatas :
1. cari nilai dari proyeksi horizontal lalu jika nilai hasil proyeksi horizontal tidak sama dengan nol maka nilai tersebut akan diubah menjadi 1.
2. Lalu tentukan batas atas dan batas bawah dengan cara jika nilai pada hasil proyeksi horizontal tidak sama dengan nilai awal yang kita masukkan yaitu nilai nol maka nilai tersebut menjadi batas atas lalu untuk batas bawah jika nilai pada proyeksi horizontal sama dengan nilai awal maka itu jadi batas bawah.
3. Sehingga segmentasi aksara nanti akan dipotong melalui batas atas dan batas bawah.
3.5 Tahap pengujian/Evaluasi Kinerja Algoritma
Setelah mendapat hasil dari segmentasi baris dan segmentasi aksara maka selanjutnya menghitung akurasinya dengan cara melihat secara visual dari hasil segmentasi aksara dibandingkan dengan citra aslinya. Maka algoritma untuk menghitung akurasi dari metode profil proyeksi adalah sebagai berikut :
1. Inputan berupa jumlah objek pada segmentasi aksara
2. Masukan berupa jumlah objek yang ada pada hasil segmentasi aksara
3. Hitung jumlah objek pada hasil segmentasi aksara 4. Hitung jumlah objek citra pada citra asli
5. Hitung semua jumlah objek citra benar hasil segmentasi aksara 6. Hitung presentasi akurasi dengan rumus
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑜𝑏𝑗𝑒𝑘 𝑐𝑖𝑡𝑟𝑎 𝑏𝑒𝑛𝑎𝑟 ℎ𝑎𝑠𝑖𝑙 𝑠𝑒𝑔𝑚𝑒𝑛𝑡𝑎𝑠𝑖 𝑎𝑘𝑠𝑎𝑟𝑎
𝑗𝑢𝑚𝑙𝑎ℎ 𝑜𝑏𝑗𝑒𝑘 𝑐𝑖𝑡𝑟𝑎 𝑎𝑠𝑙𝑖 × 100%
3.6 Perancangan Antar Muka Alat Uji ( GUI)
Gambar 3.6 di bawah ini merupakan prototype GUI dari sistem segmentasi citra daun lontar aksara kuno menggunakan metode Profil Proyeksi :
Gambar 3.6 Prototype Antar Muka Alat Uji (GUI) Keterangan :
Axes1, digunakan untuk menampilkan citra asli
Axes2, digunakan untuk menampilkan citra hasil segmentasi baris Axes3, digunakan untuk menampilkan citra hasil segmentasi aksara 1 Axes4, digunakan untuk menampilkan citra hasil segmentasi aksara 2 Axes5, digunakan untuk menampilkan hasil hasil segmentasi aksara 3 Axes6, digunakan untuk menampilkan hasil hasil segmentasi aksara 4 Push button browser, digunakan untuk memilih file citra
Push button proses, digunakan untuk memproses citra yang dimasukkan
3.7 Kebutuhan Sistem
Perangkat yang digunakan untuk penelitian ini adalah sebuah laptop.
Berikut ini spesifikasi perangkat keras dan perangkat lunak untuk kebutuhan sistem dalam membangun dan pengujian sistem yang akan dibuat :
1. Perangkat Keras
Processor : Intel® Core™ i3-2348M CPU @ 2.30GHz
Memory(RAM) : 6 GB
Hard Drive : 500 GB
2. Perangkat Lunak
Sistem Operasi : Windows 10
Program Pengembang Alat Uji : Matlab 2014b
16 BAB IV
HASIL DAN PEMBAHASAN
4.1 Data
Data yang digunakan dalam penelitian ini adalah dataset hasil penelitian yang diperoleh dari LPPM USD dengan judul “Segmentasi Citra Daun Lontar” dengan nomor penelitian: 02/LPPM-USD./III/2019. Pada data tersebut terlihat bahwa tulisan aksaranya terbalik maka perlu dilakukan proses rotasi terlebih dahulu.
Gambar 4.1 Citra Daun Lontar 4.2 Preprocessing
Pada tahap Preprocessing akan memiliki beberapa tahap yaitu tahap rotasi, grayscalling, binerisasi dan reduksi noise. Berikut ini adalah beberapa hasil dari tahap preprocessing :
4.2.1 Rotasi
Data yang telah di dapatkan akan di rotasi terlebih dahulu dengan menggunakan perintah matlab imrotate. Perlu dilakukan karena tulisan aksara tersebut terbalik.
Gambar 4.2 Citra Hasil Rotasi
4.2.2 Grayscaling
Langkah selanjutnya setelah citra di rotasi lalu ubah citra menjadi citra skala keabuan. Proses ini disebut dengan grayscale yang menggunakan fungsi rgb2gray pada matlab.
Gambar 4.3 Citra Hasil Grayscale 4.2.3 Binerisasi
Gambar 4.4 Citra Hasil biner
Gambar 4.4 diatas merupakan hasil binerisasi menggunakan fungsi im2bw dari matlab. Serta menggunakan fungsi imcomplement agar objek bernilai 1 dan background bernilai 0. Dimana 1 berwarna putih dan 0 berwarna hitam. Pada gambar diatas terdapat 1248 objek. Jika gambar 4.4 diatas diperbesar maka terlihat ada noise atau objek yang tidak dibutuhkan. Noise dapat dilihat pada gambar dibawah ini :
Gambar 4.5 contoh noise 4.2.4 Reduksi Noise
Setelah dilakukan proses binerisasi, maka selanjutnya dilakukan proses reduksi noise agar menghilangkan sisa noise yang ada pada citra.
Gambar 4.6 hasil reduksi noise
Pada gambar 4.6 diatas merupakan hasil reduksi noise dari hasil binerisasi. Dapat dibuktikan dengan cara gambar 4.6 diatas diperbesar maka akan terlihat noise yang ada pada gambar 4.5 terlihat hilang pada gambar 4.6 diatas serta dapat dilihat pada jumlah objek yang berkurang. Pada gambar 4.5 terdapat 1248 objek sedangkan pada gambar 4.6 diatas terdapat 218 objek.
4.3 Tahap Segmentasi Profil Proyeksi
Setelah proses preprocessing dilakukan, maka selanjutnya masuk ke tahap segmentasi yang menggunakan Profil Proyeksi . Tahap pertama adalah segmentasi baris menggunakan proyeksi horizontal dan proyeksi vertikal, lalu tahap ke dua segmentasi aksara aksara menggunakan proyeksi Horizontal.
4.3.1 Segmentasi baris
Pertama citra yang telah di preprocessing akan dilakukan proses proyeksi Horizontal dengan code sebagai berikut :
Gambar 4.7 Implementasi Proyeksi Horizontal
Berikut ini code implementasi pemotongan kolom menggunakan proyeksi horizontal :
Gambar 4.8 Implementasi Pemotongan Proyeksi Horizontal
Pada gambar 4.8 diatas merupakan code untuk memotong citra secara horizontal sebanyak 8 potongan. Mengapa hanya 8 potongan karena jika lebih dari 8 potong bisa saja dapat batas nilai max atau nilai min yang melebihi dari grafik hasil proyeksi horizontal sehingga ada citra yang tidak bisa dipotong karena batasnya melebihi dari grafik proyeksi horizontal. Berikut ini beberapa hasil dari potong proyeksi horizontal yang terdiri dari 8 potong yaitu :
Gambar 4.9 Hasil pemotongan proyeksi horizontal
Setelah dapat hasil dari pemotongan proyeksi horizontal maka akan dilakukan proses proyeksi vertikal sehingga setiap hasil dari potongan horizontal akan dapat baris dari setiap potongan citra tersebut. Lalu cara kerja proyeksi vertikal adalah menghitung jumlah piksel hitam dari setiap baris piksel dari hasil potongan proyeksi horizontal. Berikut adalah code atau implementasinya :
Gambar 4.10 Implementasi Proyeksi Vertikal
Berikut code atau implementasi pemotongan secara proyeksi vertikal :
Gambar 4.11 Implementasi Pemotongan Proyeksi Vertikal
Pada gambar 4.11 adalah implementasi pemotongan proyeksi vertikal. Inputan dalam gambar diatas adalah hasil potongan dari proyeksi horizontal agar nanti diproses menggunakan proyeksi vertikal untuk mendapatkan hasil segmentasi barisnya.
Berikut ini adalah hasil pemotongan proyeksi vertikal dari citra hasil pemotongan proyeksi horizontal :
Gambar 4.12 hasil pemotongan proyeksi vertikal pada citra potangan horizontal pertama.
Gambar 4.13 hasil pemotongan proyeksi vertikal pada citra potangan horizontal kedua
Gambar 4.14 hasil pemotongan proyeksi vertikal pada citra potangan horizontal ketiga
Gambar 4.15 hasil pemotongan proyeksi vertikal pada citra potangan horizontal ke empat
Gambar 4.16 hasil pemotongan proyeksi vertikal pada citra potangan horizontal ke lima
Gambar 4.17 hasil pemotongan proyeksi vertikal pada citra potangan horizontal ke enam
Gambar 4.18 hasil pemotongan proyeksi vertikal pada citra potangan horizontal ke tujuh
Gambar 4.19 hasil pemotongan proyeksi vertikal pada citra potangan horizontal ke delapan.
Setelah dapat hasil segementasi proyeksi vertikal maka selanjutnya menggabungkan setiap baris. Untuk citra yang menghasilkan baris 1 akan digabungkan semua yang menghasilkan baris 1 dan begitu juga untuk baris 2, baris 3,baris 4 akan digabungkan dengan hasil baris yang sama. Untuk pemgabungan mengunakan tanda kurung siku ([]) untuk dapat menggabungkankan baris per barisnya. Berikut code yang digunakan untuk menggabungkan baris per baris.
Gambar 4.20 Implementasi untuk pengabungan hasil proyeksi vertikal
Gambar diatas merupakan proses atau langkah untuk mendapatkan hasil segmentasi baris dari hasil penggabungkan proyeksi vertikal. Berikut adalah hasil gabungan baris per barisnya :
Gambar 4.21 hasil gabungan proses segmentasi proyeksi vertikal baris 1
Gambar 4.22 hasil gabungan proses segmentasi proyeksi vertikal baris 2
Gambar 4.23 hasil gabungan proses segmentasi proyeksi vertikal baris 3
Gambar 4.24 hasil gabungan proses segmentasi proyeksi vertikal baris 4
4.3.2 Segmentasi aksara
Setelah mendapatkan hasil baris dari proses segmentasi baris maka selanjutnya akan diproses untuk segmentasi aksara aksara bali dengan menggunakan proyeksi horizontal. Beriktu code yang akan digunakan :
Gambar 4.25 implementasi potong aksara baris menggunakan proyeksi horizontal
Pada gambar 4.25 atas merupakan cara pemotongan aksara aksara dengan proyeksi horizontal. Untuk cara pemotangannya yaitu cari nilai proyeksi horizontal lalu jika nilai hasil proyeksi horizontal tidak dengan nol maka nilai tersebut akan diubah menjadi 1 dan dimasukan kedalam tempHP. Lalu tentukan batas atas dan batas bawah dengan cara jika nilai pada tempPH tidak sama dengan nilai awal yang kita masukkan yaitu nilai nol maka nilai tersebut menjadi batas atas dan untuk batas bawah jika nilai pada tempPH sama dengan nilai awal maka itu jadi batas bawah. Berikut beberapa contoh hasil segmentasi potong aksara baris :
Tabel 4.1 Hasil segmentasi aksara
No. Hasil Potong
1
2
3
4
5
6
4.4 Tahap Evaluasi kinerja Sistem
Proses pengukuruan akurasi dengan cara hitung jumlah citra benar dari hasil segmentasi aksara dan jumlah objek citra asli. Berikut hasil akurasinya:
Tabel 4.2 Pengujian Akurasi
No. Citra Lontar
Baris ke-
Jumlah objek
citra baris (bwlabel)
Jumlah objek kolom
citra (bwlabel)
Presentase objek hilang
Jumlah citra
asli (A)
Jumlah citra benar
(B)
Akurasi (B/A*100) 1
1
1 69 69 0 42 38 90,476
2 2 77 77 0 42 41 97,619
3 3 81 81 0 44 41 93,182
4 4 73 73 0 38 36 94,737
5
2
1 57 57 0 31 29 93,548
6 2 72 72 0 40 35 87,500
7 3 72 72 0 39 36 92,308
8 4 60 60 0 37 22 59,459
9
3
1 85 85 0 41 35 85,366
10 2 81 81 0 40 37 92,500
11 3 94 94 0 45 41 91,111
12 4 67 67 0 37 33 89,189
13 4
1 62 62 0 37 34 91,892
14 2 73 73 0 36 32 88,889
15 3 70 70 0 37 37 100,000
16 4 69 69 0 33 30 90,909
17 5
1 57 57 0 34 30 88,235
18 2 81 81 0 34 31 91,176
19 3 75 75 0 34 33 97,059
20 4 71 71 0 31 30 96,774
21 6
1 68 68 0 39 38 97,436
22 2 77 77 0 43 41 95,349
23 3 70 70 0 39 35 89,744
24 4 68 68 0 39 37 94,872
7
1 70 70 0 43 36 83,721
2 108 108 0 36 26 72,222
3 107 107 0 37 27 72,973
4 58 58 0 35 34 97,143
8
1 63 63 0 38 36 94,737
2 71 71 0 37 34 91,892
3 67 67 0 39 37 94,872
4 61 61 0 39 37 94,872
9
1 52 52 0 36 35 97,222
2 60 60 0 32 32 100,000
3 71 71 0 33 32 96,970
4 69 69 0 34 30 88,235
10
1 60 60 0 36 32 88,889
2 73 73 0 34 32 94,118
3 66 66 0 35 29 82,857
4 66 66 0 33 30 90,909
11
1 64 64 0 32 30 93,750
2 68 68 0 33 32 96,970
3 64 64 0 34 33 97,059
4 52 52 0 35 33 94,286
12
1 80 80 0 33 30 90,909
2 75 75 0 32 30 93,750
3 59 59 0 31 30 96,774
4 57 57 0 32 28 87,500
13
1 52 52 0 34 30 88,235
2 56 56 0 35 31 88,571
3 79 79 0 37 31 83,784
4 58 58 0 37 33 89,189
14
1 53 53 0 37 36 97,297
2 59 59 0 38 37 97,368
3 77 77 0 38 35 92,105
4 73 73 0 38 36 94,737
15
1 63 63 0 32 28 87,500
2 70 70 0 35 28 80,000
3 60 60 0 32 31 96,875
4 63 63 0 37 30 81,081
Pada tabel diatas rata-rata nilai akurasinya 90%. Pada hasil segmentasi aksara terdapat ada 2 huruf di dalam 1 hasil segmentasi aksara dan juga ada hasil citranya terbagai menjadi 2 bagian dalam hasil segmentasi aksaranya.
Pada hasil segmentasi baris ada huruf yang di baris lain masuk ke dalam salah satu hasil segmentasi baris. Pada hasil segmentasi aksara terdapat huruf askara yang hilang contohnya pada citra aksara kuno 2 dan aksara kuno 7.
Pada citra aksara kuno 2 dan 7 tersebut ada objek yang hilang dari hasil jumlah citra aksara dikarenakan proses binerisasi dan reduksi noise yang menyebabkan ada beberapa objek yang hilang. Lalu pada hasil jumlah citra yang benar lebih dikit dari jumlah citra aslinya dikarenakan ada 2 huruf aksara dalam 1 hasil segmentasi aksara itu yang menyebabkan jumlah citra benar lebih dikit dari jumlah citra asli. Miskipun hurufnya aksaranya ada tapi dalam hasil segmentasi aksara itu terbaca 1 hasil.
32 BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil pengujian 15 data citra daun lontar dalam penelitian segmentasi aksara bali pada daun lontar tersebut menggunakan profil proyeksi, diperoleh akurasi rata-rata segmentasi sebesar 90%. Maka disimpulkan bahwa proyeksi profil dapat digunakan sebagai metode untuk membantu proses segmentasi citra aksara bali dari citra daun lontar.
5.2 Saran
Berikut ini beberapa saran bagi penelitian berikutnya untuk melanjutkan segmentasi citra askara bali pada citra daun lontar :
1. Dapat digunakan metode binerisasi lain yang memungkinkan pixel-pixel objek pada hasil binerisasi citra daun lontar masih terjaga dengan baik.
2. Masih perlu dilakukan percobaan dengan berbagai metode untuk proses reduksi noise sehingga diperoleh citra daun lontar yang lebih bersih untuk diproses secara lebih lanjut.
3. Pada beberapa hasil segmentasi masih ada aksara yang seharusnya muncul di baris lain, namun masuk ke dalam hasil segmentasi baris, dan masih ada aksara yang bergabung menjadi 1 segmen dengan aksara lain, maka masih perlu dikembangkan lagi proses untuk mengecek kesalahan-kasalahan segmentasi tersebut diatas serta memperbaiki kesalahan tersebut.
33
DAFTAR PUSTAKA
Surinta, O.., Rapeeporn C. (2009). Image Segmentation of Historical Handwriting from Palm leaf Manuscripts. The International Federation for Information Precessing, Volume 288.
Widiarti, A. R(2007). Segmentasi Citra Dokumen Teks Sastra Jawa Modern Mempergunakan Profil Proyeksi. SIGMA, Vol. 10, No- 2, Juli 2007:167- 176
Widiarti, A. R. (2013). Line Segmentation of Javanese Image of Manuscripts in Javanese Scripts. International Journal of Engineering Innovation &
Research Volume 2, Issue 3, ISSN: 2277 – 5668 Line, 2(3), 239–244.
Widiarti, A. R(2006). “Pengenalan Citra Dokumen Sastra Jawa Konsep dan Implementasinya”, Tesis, Kelompok Bidang Ilmu Matematika dan Pengetahuan Alam Universitas Gadjah Mada, Yogyakarta.
Wirayati, M. A. (2011). Konservasi Manuskrip Lontar. Visi Pustaka, 13(2),1.
Dipetik desember 5, 2019, dari
http://old.perpusnas.go.id/Attachment/MajalahOnline/Made_Ayu_Wiray ati_ Konservasi_manuskrip_Lontar
Zramdini, Abdel Wahab and R. Ingold (1993). Optical Font Recognition from Projection Profiles. Electron. Publ. 6 : 249-260
34 LAMPIRAN A. Listing Program
1. Code binerisasi dan reduksi noise
2. Code profil proyeksi horizontal
3. Code pemotongan secara proyeksi horizontal
4. Code proyeksi vertikal
5. Code pemotongan secara proyeksi vertikal
6. Code penggabungan hasil proyeksi vertikal
7. Code segmentasi aksara
B. Hasil Segmentasi 1. Hasil segmentasi baris
“kuno 1.jpg”
1
2
3 4
“kuno 2.jpg”
1
2 3 4
“kuno 3.jpg”
1
2 3 4
“kuno 4.jpg”
1 2 3 4
“kuno 5.jpg”
1 2 3 4
“kuno 6.jpg”
1
2
3
4
“kuno 7.jpg”
1
2
3
4
“kuno 8.jpg”
1
2
3
4
“kuno 9.jpg”
1
2
3
4
“kuno 10.jpg”
1
2
3
4
“kuno 11.jpg”
1
2
3
4
“kuno 12.jpg”
1
2
3 4
“kuno 13.jpg”
1
2
3
4
“kuno 14.jpg”
1
2
3
4
“kuno 15.jpg”
1
2
3
4
2. Hasil segmentasi aksara
Aksara Kuno 1
Aksara kuno 2
Aksara kuno 3
Aksara kuno 4
Aksara kuno 5
Aksara kuno 6
Aksara kuno 7
Aksara kuno 8
Aksara kuno 9
Aksara kuno 10
Aksara kuno 11
Aksara kuno 12
Aksara kuno 13
Aksara kuno 14
Aksara kuno 15
