Sistem Pengenalan Aksara Bali Cetak dengan Pola Model Khusus Bberbasis Metode Pola Busur Terlokalisasi.

(1)

(2)

SISTEM PENGENALAN AKSARA BALI CETAK DENGAN POLA MODEL KHUSUS BERBASIS METODE POLA BUSUR TERLOKALISASI

A.A. K. Oka Sudana1, Ni Kadek Ayu Wirdiani2 dan Gusti Agung Ayu Putri3

1

Jurusan Teknologi Informasi, Fakultas Teknik, Universitas Udayana, Denpasar, Indonesia

[email protected]

2

Jurusan Teknik Informatika, STIKI Indonesia, Denpasar, Indonesia

[email protected]

3_{Jurusan Teknologi Informasi, Fakultas Teknik, Universitas Udayana, Denpasar, Indonesia}

[email protected]

Abstrak

Kekayaan budaya yang sangat beragam di Indonesia memiliki kelebihan tersendiri dalam hal tulisan dimana dikenal berbagai macam tulisan daerah, dengan bentuk huruf yang beragam dan unik. Tulisan atau Aksara Bali memiliki keunikan dari bentuknya yang hampir sama satu dengan yang lainnya dan beberapa tulisan hanya dibedakan oleh satu guratan garis. Hal ini menjadi suatu permasalahan tersendiri dalam mengenali Tulisan Bali. Berdasarkan permasalahan tersebut maka dibangun suatu sistem yang bertujuan untuk pengenalan Aksara Bali khususnya Aksara Bali Cetak, sehingga mempermudah orang dalam membaca Aksara Bali.

Pembentukan pola model baru didasarkan pada batasan-batasan dalam Metode Pola Busur Terlokalisasi dengan tujuan untuk mengurangi banyaknya pola model yang digunakan, sehingga waktu proses bisa dipersingkat. Batasan utamanya yaitu lokalisasi permasalahan pada pola model yang didefinisikan di dalam sebuah bujur sangkar kecil berukuran 5 x 5, pemilihannya berbasis pada sampel Aksara Bali Cetak yang dimiliki. Pola-pola yang dibentuk oleh titik karakteristik tersebut menghasilkan 125 buah pola yang dikelompokkan menjadi 103 pola model awal. Sampel data untuk membentuk pola model dalam penelitian ini sebanyak 600 buah citra Aksara Bali yang diambil dari beberapa buku cetak dan internet. Pola model yang didapatkan dari proses tersebut sebanyak 23 buah. Tahapan yang dilakukan dalam sistem ini: akuisisi data, pra-pemrosesan, ekstraksi ciri, pendaftaran, pembandingan, dan

pengambilan keputusan.

Unjuk kerja sistem diukur berdasarkan dua macam tipe kesalahan, yaitu : tingkat kesalahan penolakan (false rejection rate) dan tingkat kesalahan penerimaan (false acceptance rate). Didapatkan prosentase kesalahan minimum pada semua kombinasi konstanta pengali nilai ambang Cd 2,0; 3,0; 4,0; 5,0dan konstanta pemotongan nilai eigen q bernilai 3, dengan tingkat keberhasilan 92,7 %.

Kata kunci: nilai ketidaksamaan, pengenalan Aksara Bali cetak, Metode Pola Busur Terlokalisasi, pola model khusus Aksara Bali, ekstraksi ciri.

1. Pendahuluan

Perkembangan teknologi di bidang informatika dan komputer sangatlah pesat. Sistem komputer dikembangkan agar dapat melakukan proses pengenalan suatu pola sebagaimana kemampuan manusia. Sistem pengenalan pola yang banyak dimanfaatkan saat ini seperti pengenalan sidik jari dan telapak tangan yang berupa citra, pengenalan suara, sampai pengenalan tulisan. Salah satu dari pengenalan pola yang umum yang dikenal orang adalah pengenalan tulisan. Tulisan memiliki sifat yang unik sehingga menghasilkan sebuah permasalahan baru yang menarik untuk diteliti.

(3)

pengenalan Aksara Bali, sehingga mempermudah orang dalam membaca Aksara Bali. Pengembangan sistem ini diharapkan memberikan metode alternatif untuk pengenalan citra Aksara Bali terkomputerisasi sehingga dapat menarik minat generasi muda untuk mempelajari Aksara Bali yang merupakan salah satu dasar Budaya Bali yang muara akhirnya bisa memberikan kontribusi dalam pelestarian budaya bangsa melalui pelestarian budaya daerah.

Ekstraksi ciri menggunakan pola khusus berbasis pada metode Pola Busur Terlokalisasi, yang disesuaikan dengan model Aksara Bali dengan alasan karena metode ini mengambil karakteristik Aksara Bali sehingga diharapkan dapat memberikan hasil pengenalan yang lebih baik. metode ini sudah terbukti cukup berhasil dalam hal verifikasi citra tandatangan dan pengenalan tulisan tangan Latin, Jepang, Korea maupun Cina. Tingkat keakuratan dalam hal Pengenalan Karakter Aksara Bali dilakukan dengan cara menghitung persentase keberhasilan, kesalahan rata-rata sistem serta kompleksitas waktu.

2. Metodelogi Penelitian

2.1. Aksara Bali

Ejaan Bahasa Bali dengan Huruf Latin disesuaikan dengan ejaan dalam Bahasa Indonesia, yang mana ejaan tersebut dibuat sesederhana mungkin dan sifatnya fonetik, yaitu tepat atau mendekati ucapan sebenarnya. Huruf-huruf dasar yang dipakai untuk menuliskan Bahasa Bali dengan Huruf Latin dibagi 2 yaitu: Aksara Suara (vokal) dan Aksara Wianjana (konsonan) seperti terlihat pada Tabel 1 dan 2[3].

Tabel 1. Daftar Aksara Suara (Vokal)

Nomor Aksara Bali Bali Latin

a

ê

i

U

e

o

Tabel 2. Daftar Aksara Wianjana (Konsonan)

Nomer Aksara Bali Bali Latin

h / a

n

Nomer Aksara Bali Bali Latin

l

(4)

c

r

k

d

t

s

w

G

B

Ng

P

J

Y

Ny

2.2.Gambaran Umum Sistem

Gambar 1. Pemodelan Sistem Pengenalan Aksara Bali Cetak

Recognition Result Report

Output: smallest dissimilarity value and ID Aksara

Character Enrolment

Image Input: Balinese character

Image Input: Balinese

System Developer

Database of Model pattern

Reference Database

Model pattern development

Decision Making

Threshold and Critical Value

Searching the smallest dissimilarity value

Comparison with All Record in Reference

(5)

2.3.Data

Sumber data yang dipakai sebagai sampel Aksara Bali yang digunakan untuk melakukan pembentukan pola model dan pengujian sistem pengenalan karakter ini adalah data citra Aksara Bali dalam penelitian I Komang Gede Suamba Dharmayasa[4]. Sampel Aksara Bali yang digunakan diperoleh dari hasil scan buku ajar Bahasa Bali yang diambil menggunakan segmentasi per blok karakter dan juga dari internet.

2.4.Pembentukan dan Pemilihan Pola Model

Pembentukan pola model baru yang didasarkan pada batasan-batasan dalam Metode Pola Busur Terlokalisasi[5,6] untuk Tulisan Jepang dan Tandatangan Latin dengan tujuan untuk mengurangi banyaknya pola model yang digunakan, sehingga waktu proses sistem bisa dipersingkat. Batasan utamanya yaitu lokalisasi permasalahan pada pola model yang didefinisikan di dalam sebuah bujur sangkar kecil berukuran 5 x 5, tetapi pemilihannya berbasis pada sampel Aksara Bali yang dimiliki.

Pola-pola yang dibentuk oleh titik karakteristik dalam bujur sangkar 5 x 5 menghasilkan 125 buah kemungkinan pola awal dan bisa dikelompokkan menjadi 103 pola model awal[7]. Pengurangan waktu proses dilakukan dengan pemilihan pola dari 125 pola tersebut yang memang sering muncul pada Aksara Bali. Pemilihan pola-pola itu dilakukan dengan menggunakan bantuan program untuk menghitung keseringan muncul masing-masing pola tersebut pada sejumlah citra biner Aksara Bali. Sampel data yang dipergunakan untuk membentuk pola model dalam penelitian sebanyak 600 buah citra Aksara Bali yang diambil dari beberapa buku cetak dan internet. Pola model yang didapatkan dari hasil proses pemilihan pola tersebut sebanyak 23 buah pola seperti terlihat pada Gambar 2.

Gambar 2. Pola Model dari Karakter Aksara Bali berbasis pada Metode Pola Busur Terlokalisasi

2.5.Tahapan Pengenalan Karakter Aksara Bali

(6)

berikutnya yang berkenaan dengan informasi apa yang diinginkan untuk diolah, demikian juga halnya pada pengenalan Tulisan Bali. Adapun tahapan-tahapan yang dilakukan dalam sistem Pengenalan Karakter Aksara Bali[8], khususnya Metode Pola Busur Terlokalisasi adalah sebagai berikut:

i. Data acquisition, merupakan proses pengubahan data dari data analog Aksara Bali, menjadi citra dengan scanner. Citra yang disimpan dalam format file bitmap berupa data kasar dan selanjutnya akan diproses pada tahapan selanjutnya.

ii. Preprocessing, jika file bitmap yang dihasilkan pada tahap pengambilan data belum berbentuk dua warna (hitam putih) maka terlebih dahulu dilakukan konversi menjadi data citra dua warna (proses binerisasi), karena citra Aksara Bali yang nantinya diperlukan berupa citra biner. Setelah itu dilakukan eliminasi terhadap data yang tidak diperlukan, guna memastikan bahwa data yang akan diproses pada tahapan berikutnya sudah merupakan data yang sahih.

iii.Feature extraction, setelah data tersebut diolah menjadi data jadi pada tahap pra proses, kemudian dilakukan ekstraksi ciri dari citra biner Aksara Bali. Ciri-ciri yang diekstraksi menggunakan pola model khusus untuk Aksara Bali dari Metode Pola Busur Terlokalisasi seperti terlihat pada Gambar 2. Aksara Bali yang telah berbentuk citra biner akan langsung diproses untuk mendapatkan frekuensi kemunculan masing-masing pola. Pola yang memiliki nomor model yang sama tetapi dengan nomor urut berbeda, frekuensi kemunculannya dijumlahkan untuk mendapatkan frekuensi kemunculan dari pola model tersebut. Cara penghitungannya adalah dengan menggerakkan setiap pola model di atas pola biner citra Aksara Bali, sebagai patokan adalah titik yang berbentuk lingkaran penuh. Titik ini digeser secara teratur satu grid ke arah horisontal atau vertikal, sampai semua titik pada citra biner Aksara Bali terlewati. Setiap pergeseran dilakukan pembandingan terhadap ruang yang dilingkupi oleh model tersebut, apakah sama ataukah tidak. Jika sama maka frekuensi kemunculan pola model tersebut ditambahkan. Misalkan citra Aksara Bali dilambangkan dengan f dan terdapat 23 pola model maka citra Aksara Bali tersebut dapat diekspresikan sebagai vektor kolom x berdimensi p, dengan p adalah 23 yaitu sesuai dengan pola model yang ada. Berbentuk matriks dapat dituliskan sebagai berikut :

(1)

Elemen-elemen x yaitu x1, x2,… x23 adalah frekuensi kemunculan dari masing-masing pola model

sesuai dengan nomor modelnya.

iv.Enrollment, Tahapan pendaftaran Aksara Bali acuan dilakukan dengan mengekstraksi ciri dari beberapa Aksara Bali acuan dan hasil yang diperoleh disimpan pada sebuah file basisdata acuan. Misalkan masing-masing Aksara Bali ke i disebut dengan Pi digunakan sebagai Aksara Bali acuan

sebanyak m, maka dari m buah Aksara Bali ini diekstraksi ciri menggunakan Metode Pola Busur Terlokalisasi menghasilkan m buah vektor kolom x berdimensi p, hasil ini dijadikan satu matriks vektor berukuran p x m dengan bentuk sebagai berikut :

(7)

Nilai m yang digunakan pada sistem ini adalah 3 Aksara Bali yang diambil dari beberapa buku cetak, dengan pertimbangan bahwa 3 Aksara Bali tersebut diharapkan mampu untuk mewakili variasi yang ada dari sebuah karakter Aksara Bali, di samping itu sistem nantinya bekerja dengan tidak terlalu lambat. Jadi ukuran matriks vektor acuan pada sistem pengenalan ini adalah 23 x 3 untuk 23 pola model. Matriks vektor yang didapatkan disimpan pada basisdata acuan dengan kata kunci nomor identitas Aksara Bali.

v. Comparison, Tahap Pembandingan merupakan inti dari keseluruhan proses pengenalan. Pada tahap pembandingan ini, ciri citra Aksara Bali masukan akan dibandingkan dengan ciri acuan yang ada pada basis data. Pada tahap inilah dilakukan perhitungan-perhitungan dari frekuensi yang didapat pada proses ekstraksi ciri. Berdasarkan proses pembandingan tersebut didapatkan nilai ketidaksamaan (dissimilarity measure) masing-masing acuan dengan citra input. Nilai ketidaksamaan atau nilai beda inilah yang digunakan sebagai dasar untuk pengambilan keputusan hasil pengenalan. Basisdata acuan dibaca satu record data acuan karakter. Acuan yang berbentuk matriks p x m ini selanjutnya dihitung rata-rata kemunculan setiap pola model dengan cara :

∑

=

m k ik i

m

x

1 (3)

Nilai-nilai yang dihasilkan yaitu x1/, x2/, … xp/, ditempatkan sebagai elemen vektor kolom x/

berdimensi p, yang merupakan rata-rata acuan. Lalu dicari matriks varians V berdimensi p x p dari acuan dengan persamaan:

(

)(

)

∑

= − − = m j t j

j x x x m

x V

1

/

/ / (4)

Mencari frekuensi kemunculan pola model pada citra karakter yang dibandingkan sama halnya dengan mencari frekuensi pola model acuan. Misalkan Aksara Bali yang dibandingkan disebut Q

maka vektor kolom hasilnya adalah xq. Varians V, rata-rata acuan x/ dan vektor kolom xq, digunakan

menghitung nilai beda[6] dengan persamaan sebagai berikut:

∑

+ = =

−

+

−

=

p q k q k k Q q k k k k

Q

Z

Q

Pi

D

1 2 / 1 2 /

)

(

)

(

)

,

(

λ

(5)

Q

t k k

Q

l

x

Z

=

₍₆₎

/ /

l

x

Z

k

=

_kt (7)

dengan ketentuan :

¾ D(Pi,Q) : nilai ketidaksamaan antara acuan Pi dengan pembanding Q.

¾ λ : vektor kolom yang berisi nilai eigen dengan urutan menurun (descending order) yaitu (λ1, λ2, λ3, …, λp)

¾ lk : vektor eigen yang berbentuk vektor kolom terurut sesuai dengan nilai eigen yang

berhubungan.

¾ xQ : vektor kolom yang berisi frekuensi munculnya pola model pada citra karakter

pembanding.

¾ x/ : vektor kolom rata-rata acuan.

¾ t : transpose.

¾ p : dimensi vektor kolom

(8)

vi.Reference database design, Perancangan basisdata acuan merupakan proses pembentukan file basisdata yang akan dijadikan acuan pada saat proses pengenalan. Sistem pengenalan ini menggunakan 6 buah sampel Aksara Bali untuk masing-masing karakter, dengan perincian: 3 untuk acuan serta 3 sisanya sebagai pembanding untuk menentukan nilai ambang. Tahap perancangan basisdata acuan terdiri dari dua pokok penting yaitu pendaftaran Aksara Bali acuan dan penentuan nilai ambang batas yang akan disimpan dalam satu record dengan kata kunci nomor identitas. Setelah dilakukan proses pendaftaran tersebut dilanjutkan dengan membandingkan Aksara Bali yang akan dipergunakan untuk menentukan nilai ambang. Berdasarkan hasil pembandingan tiga Aksara Bali ini didapatkan nilai ketidaksamaannya masing-masing. Median dari nilai ketidaksamaan inilah yang disimpan pada basisdata acuan melengkapi frekuensi sampel sebelumnya, dan dipergunakan sebagai nilai ambang (threshold) atau nilai kritis (Cc) yang dikalikan dengan suatu konstanta Cd.

vii.Decision making, Nilai-nilai ketidaksamaan yang didapatkan pada proses sebelumnya diurutkan. Identitas acuan dengan nilai ketidaksamaan terkecil dan memenuhi nilai ambang (thereshold) diputuskan sebagai jenis karakter Aksara Bali yang sesuai dengan citra Aksara Bali yang diinputkan. Jika nilai ketidaksamaan terkecil yang didapatkan masih diatas nilai ambang batas, maka disimpulkan karakter Aksara Bali masukan tersebut tidak dikenali. Apabila d(Pj, Qi) didefinisikan sebagai nilai

ketidaksamaan antara Aksara Bali acuan yang dimiliki oleh sebuah karakter Aksara Bali Pj dengan

Aksara Bali yang diuji Qi, Ccj adalah nilai kritis yang telah didapat sebelumnya dari sebuah karakter

Aksara Bali Pj serta Cd adalah konstanta pengali, maka berlaku hubungan:

Jika d(Pj, Qi) ≤ Ccj x Cd maka keputusannya ‘DIKENALI’ Selain itu keputusannya ‘TIDAK TERDAFTAR’.

3. Pengujian dan Analisa Hasil

Pengujian terhadap karakter Aksara Bali Cetak dilakukan dengan mengatur variasi konstanta pengali nilai ambang (Cd) yaitu 2, 3, 4 dan 5, dengan hasil yang diperoleh adalah banyaknya kesalahan yang terjadi pada masing-masing konstanta tersebut. Total kesalahan pada masing-masing variasi lingkungan sistem diperlihatkan pada Tabel 3 yang digunakan untuk mempermudah melakukan analisis.

Tabel 3 Banyaknya kesalahan yang terjadi pada pengujian sistem pengenalan

Cd = 2,0 Cd = 3,0 Cd = 4,0 Cd = 5,0 POLA MODEL Q _diken

al Tidak terdaf tar Dkenal aksara lain diken al Tidak terdaf tar Dkenal aksara lain diken al Tidak terdaf tar Dkenal aksara lain diken al Tidak terdaf tar Dkenal aksara lain

1 225 7 15 226 4 17 226 4 17 226 3 18 2 193 3 51 193 1 53 193 0 54 193 0 54 Aksara Bali

(p=23)

3 238 5 4 238 3 6 238 1 8 238 0 9 1 227 7 13 227 6 14 228 3 16 228 3 16 2 192 5 50 192 3 52 192 1 54 192 1 54 Tandatangan

Indonesia

(p=42) 3 227 12 8 228 10 9 228 5 14 228 5 14

Tabel 4Prosentase kesalahan Tipe I dan Tipe II pada pengujian sistem pengenalan

Cd = 2,0 Cd = 3,0 Cd = 4,0 Cd = 5,0 POLA MODEL q Tipe I

(%) Tipe II (%)

Tipe I

(%) Tipe II (%) Tipe I

(%) Tipe II (%) Tipe I (%) Tipe II (%) 1 2,8 6,1 1,6 6,9 1,6 6,9 1,2 7,3 2 1,2 20,6 0,4 21,4 0 21,8 0 21,8 Aksara Bali

(p=23)

3 2,0 1,6 1,2 2,4 0,4 3,2 0 3,6 1 2,8 5,3 2,4 5,7 1,2 6,5 1,2 6,5 2 2 20,2 1,2 21 0,4 21,8 0,4 21,8 Tandatangan

Indonesia (p=42)

(9)

Tabel 5 Prosentase keberhasilan pada pengujian sistem pengenalan

POLA MODEL q Cd = 2,0 (%)

Cd = 3,0 (%)

Cd = 4,0 (%)

Cd = 5,0 (%)

1 91,1 91,5 91,5 91,5

2 78,2 78,2 78,2 78,2

Aksara Bali (p=23)

3 92,7 92,7 92,7 92,7

1 91,9 91,9 92,3 92,3

2 77,8 77,8 77,8 77,8

Tandatangan Indonesia (p=42)

3 91,9 92,3 92,3 92,3

Gambar 3. Grafik Prosentase Unjuk Kerja Sistem (Keberhasilan)

(10)

6. Kesimpulan

• Ekstraksi ciri karakter dilakukan dengan pola khusus yang dibentuk berdasarkan Metode Pola Busur Terlokalisasi. Pemilihan model dilakukan dari implementasi pola yang didapatkan pada basisdata citra Aksara Bali, berdasarkan akumulasi frekuensi kemunculan masing-masing pola model. Dilihat dari prosentase kesalahan serta waktu proses, metode ini terbukti cukup efektif dan menghasilkan unjuk kerja yang lebih baik untuk pengenalan Aksara Bali, dibandingkan dengan memakai pola model Tandatangan Indonesia.

• Unjuk kerja sistem diukur berdasarkan dua macam tipe kesalahan, yaitu: kesalahan penolakan (false rejection rate) dan kesalahan penerimaan (false acceptance rate). Sistem yang dikembangkan mempunyai prosentase kesalahan minimum pada semua kombinasi konstanta pengali nilai ambang

Cd 2,0; 3,0; 4,0; 5,0dan konstanta pemotongan nilai eigen q bernilai 3, dengan rata-rata kesalahan sistem adalah 7,3 % sehingga tingkat keberhasilannya sebesar 92,7%.

Ucapan Terima Kasih

Banyak bantuan yang diterima dalam pelaksanaan penelitian, pengumpulan sample data dan penulisan laporan penelitian ini, untuk itu secara khusus mengucapkan terima kasih kepada Lembaga Penelitian dan Pengabdian kepada Masyarakat (LPPM) Universitas Udayana yang telah memberikan bantuan dengan menyediakan pembiayaan penelitian ini serta segenap Civitas Jurusan Teknologi Informasi, Fakultas Teknik, Universitas Udayana.

Daftar Pustaka

[1] Agung BW, Tjokorda; I Gede Rudy Hermanto; Retno Novi D. Pengenalan Huruf Bali dengan Menggunakan metode Modified Direction Feature (MDF) dan Learning Vector Quantization (LVQ). yudiagusta.files.wordpress.com/.../007-012-knsi09-002-pengenalan-huruf-bali-menggunakan-metode-modified-direction-feature-_mdf. Konferensi Nasional Sistem dan Informatika 2009. Institut Teknologi Telkom, Bandung, 2009 .

[2] Oka Sudana, AA. K. Rancang Bangun Sistem Verifikasi Tandatangan dan Pengenalan Tulisan Tangan dengan Metode Pola Busur Terlokalisasi. Proceeding of the Research and Studies III. TPSDP – DIKTI 2006.

[3] Suastika I Made, Prof. Dr. S.U.. Bahasa dan Aksara Sebagai Identitas Budaya.

www.facebook.com/note.php?note_id=295184229610, 2010.

[4] Suamba Dharmayasa, I Komang Gede.. Pengenalan Karakter Bali Cetak Menggunakan Metode Moment dan Jaringan Syaraf Tiruan Learning Vector Quantization, Skripsi Jurusan Teknik Elektro, Universitas Udayana, Jimbaran, 2009.

[5] Yoshimura, I., Shimizu, T. dan Yoshimura, M.. A Zip Code Recognition System using the Localized Arc Pattern Method. Proceedings of the 2nd International Conference on Document Analysis and Recognition. IEEE Computer Society. p183-186, 1993.

[6] Yoshimura, M. dan Yoshimura, I., “Writer Identification Based on the Arc Pattern Transformation”, Proceedings of the 9th International Conference on Pattern Recognition, November 14-17,pp. 55-64 , IEEE Computer Society, Washington, 1994.

[7] Oka Sudana, AA.K. Implementasi Pola Model Tandatangan Jepang dan Tandatangan Indonesia untuk Verifikasi Tandatangan Latin. Jurnal Pakar, Vol.7, No 4, Yogyakarta, 2007.

(11)

SEMINAR

RESEARCH

EXCELLENT

UNUD

2013

LEMBAGA

PENELITIAN

DAN

PENGABDIAN

KEPADA

MASYARAKAT

UNIVERSITAS

UDAYANA

Kampus

Universitas

Udayana

Jalan

PB.

Sudirman,

Selasa

22

Januari

2013

PROGRAM

SEMINAR

Regristrasi dan Pembukaan (Ruang Theatre Fakultas Kedokteran UNUD)

08.30 ‐ 09.00 Registrasi Panitia

09.00 ‐ 09.10 Pembukaan MC

Sambutan Ketua Panitia Pelaksana Seminar Ketua Panitia

Sambutan Ketua LPPM‐Unud Ketua LPPM

09.10 ‐ 09.40

Sambutan Pembukaan Seminar Rektor Unud

Sesi Pleno Pembicara kunci

09.40 – 10.20 Prof. Dr. dr. Ketut Suastika, Sp.PD‐KE

10.20 – 11.00 Bappeda Provinsi Bali

Moderator

Prof. Dr. drh. I Made Damriyasa, MS.

11.00 ‐11.15 Coffee break Panitia

Sesi Paralel Kesehatan, Obat dan

Makanan (Ruang I)

Pertanian, Tek Pertanian,

Peternakan (Ruang II)

MIPA, Teknik, Pariwisata

dan Lingkungan

(Ruang III)

Sastra, Hukum,

Ekonomi & Humaniora

(Ruang IV)

11.15 ‐ 11.32

11.32 ‐ 11.49

11.49 – 12.06

12.06 ‐ 12.23

12.23 ‐ 12.40

Moderator:

R‐I:

Dr. Ir. Ni Made Wartini, MP. R‐II:

Dr. Ir. Ida Ayu Astarini, M.Sc. R‐III:

Prof. Dr. I Ketut Junitha, MS. R‐IV:

Dr. I M. Sadha Suardikha SE., M.Si

12.40 – 13.10 Istirahat Makan Siang Panitia

(12)

dan Lingkungan

(Ruang III)

Sastra, Hukum,

(Ruang IV)

13.10 – 13.27

13.27 – 13.44

13.44 – 14.01

14.01 – 14.18

14.18 – 14.35

Moderator

R‐I:

Dr. Ir.I Nengah Sujaya, M.Agr.Sc R‐II:

Prof. Dr. Ir. I Nyoman Rai, MS. R‐III:

Gusti A. Suartika, ST,MEng.PhD R‐IV

Dr. Ni Nyoman Kerti Yasa SE., MS.

14.35 – 14.50 Coffee break Panitia

dan Lingkungan

(Ruang III)

Sastra, Hukum,

(Ruang IV)

14.50 – 15.07

15.07 – 15.24

15.24 – 15.41

15.41 – 15.58

15.58 – 16.15

Moderator

R‐I:

Drh. I Wayan Bebas, M.Kes R‐II:

Dr. Ir. Yenni Ciawi R‐III:

Dr. Ir. I Wayan Surata, M.Erg. R‐IV:

Dr. Ni K. Supasti Dharmawan, SH. M.Hum.,LLM.

16.15– 16.30 Penutupan Ditutup oleh masing‐masing

moderator

Keterangan:

R‐I : Ruang Theatre FK; R‐II : Ruang Sidang FKH, R‐III : Ruang Kuliah FKH; R‐IV : Ruang GDLN

(13)

Sistem Pengenalan Aksara Bali Cetak dengan Pola Model Khusus

berbasis Metode Pola Busur Terlokalisasi

oleh

A.A.K. Oka Sudana

Gusti Agung Ayu Putri

Ni Kadek Ayu Wirdiani

JURUSAN TEKNOLOGI INFORMASI

(14)

OVERVIEW

Writing in each region has a variety of typefaces and has its own

uniqueness.

Aksara Bali

Æ

has a unique writing of a similar shape to one

another and some writings are distinguished only by a single line

sketch.

To be easier reading Balinese writing.

Expected to provide an alternative method for the recognition of a

computerized image of Balinese writing simbol.

New model of pattern formation is based on the constraints in the

Localized Arc Pattern Method for Japanese writing and Latin

(15)

SAMPEL AKSARA BALI

Aksara

Suara

(16)

SAMPLE OF AKSARA BALI

(17)

System of Recognition Modelling

Recognition Result Report

Output: smallest dissimilarity value and ID Aksara

Character Enrolment Image Input:

Balinese character

Image Input: Balinese character System Developer

Database of Model pattern

Reference Database

Model pattern development

Decision Making

Threshold and Critical Value Searching the smallest

dissimilarity value

(18)

RESULT AND DISCUSION

Models Pattern Development

Æ

The patterns is formed

by the characteristic point in a square 5 x 5 produces

125 pieces of possible initial patterns that can be

grouped into an 103 patterns early models. Reduction

of processing time is done by selection of 125 patterns

(show in Figure 2) that are frequently come up in

Aksara Bali.

Models Pattern Selection

Æ

using computer program

(19)

Localized Arch Pattern

End Point

l=

3

A

B

l=

2

l=

1

l=

0

l=

-1

l=

-2

l=

-3

Distance

Radius OA =2AB / l

End point End Point

B

A

O

(20)

All pattern possibility from Localized Arch Pattern with matrix 5x5

No.1 Model 1

z

No.2 Model 2

z

No.3 Model 3

z

No.4 Model 4

z

No.5 Model 5

z

No.6 Model 6

z

No.7 Model 7

z

No.8 Model 8

z

No.9 Model 9

z

No.10 Model 10

z

No.11 Model 11

z

No.12 Model 12

z

No.13 Model 13

z

No.14 Model 14

z

No.15 Model 15

z

No.16 Model 16

z

No.17 Model 17

z

No.18 Model 18

z

No.19 Model 19

z

No.20 Model 20

z

No.21 Model 21

z

No.22 Model 22

z

No.23 Model 23

z

No.24 Model 24

z

No.25 Model 25

z

No.26 Model 26

z

No.27 Model 27

z

No.28 Model 28

z

No.29 Model 29

z

No.30 Model 30

z

No.31 Model 31

z

No.32 Model 32

z

No.33 Model 33

z

No.34 Model 34

z

No.35 Model 35

z

No.36 Model 36

z

No.37 Model 37

z

No.38 Model 38

z

No.39 Model 39

z

No.40 Model 40

z

No.41 Model 41

z

No.42 Model 42

z

No.43 Model 43

z

No.44 Model 44

z

No.45 Model 45

z

No.46 Model 46

z

No.47 Model 47

z

No.48 Model 48

z

No.49 Model 49

z

No.50 Model 50

z

No.51 Model 51

z

No.52 Model 52

z

No.53 Model 53

z

No.54 Model 54

z

No.55 Model 55

z

No.56 Model 56

z

No.57 Model 57

z

No.58 Model 58

z

No.59 Model 59

z

No.60 Model 59

z

No.61 Model 59

z

No.62 Model 60

z

No.63 Model 61

z

No.64 Model 61

z

No.65 Model 61

z

No.66 Model 62

z

No.67 Model 63

z

No.68 Model 64

z

No.69 Model 64

z

No.70 Model 64

z

No.71 Model 65

z

No.72 Model 66

z

No.73 Model 66

z

No.74 Model 66

z

No.75 Model 67

z

No.76 Model 68

z

No.77 Model 69

z

No.78 Model 69

z

No.79 Model 70

z

No.80 Model 71

z

No.81 Model 71

z

No.82 Model 72

z

No.83 Model 73

z

No.84 Model 74

z

No.85 Model 74

z

No.86 Model 75

z

No.87 Model 76

z

No.88 Model 76

z

No.89 Model 77

z

No.90 Model 78

z

No.91 Model 78

z

No.92 Model 79

z

No.93 Model 80

z

No.94 Model 81

z

No.95 Model 81

z

No.96 Model 82

z

No.97 Model 83

z

No.98 Model 84

z

No.99 Model 85

z

No.100 Model 86

z

No.101 Model 87

z

No.102 Model 88

z

No.103 Model 89

z

No.104 Model 90

z

No.105 Model 91

z

No.106 Model 92

z

No.107 Model 92

z

No.108 Model 92

z

No.109 Model 93

z

No.110 Model 94

z

No.111 Model 94

z

No.112 Model 94

z

No.113 Model 95

z

No.114 Model 96

z

No.115 Model 97

z

No.116 Model 98

z

No.117 Model 98

z

No.118 Model 98

z

No.119 Model 99

(21)

Frequency of 23 selected pattern appeared from 600 binary image of Aksara

171

8

12

10

47

23

223

3

11

14

13

22

226

5

10

15

31

21

244

6

9

15

90

20

489

2

8

19

26

19

539

83

7

23

10

18

743

4

6

30

19

17

8896

49

5

32

86

16

11319

46

4

49

12

15

17262

63

3

68

14

36365

1

2

126

82

13

58154

58

1

Freq

Model

No

Freq

(22)

Reorder (shorting) and Rename

30

19

12

15

90

23

68

14

11

32

86

22

14

13

10

539

83

21

49

12

9

126

82

20

23

10

8

17262

63

19

171

8

7

58154

58

18

244

6

8896

49

17

226

5

10

47

16

743

4

11319

46

15

223

3

15

31

14

489

2

19

26

13

36365

1

Freq

Model

No

Freq

(23)

(24)

(25)

Banyaknya kesalahan yang terjadi pada pengujian sistem

pengenalan

14

5

228

14

5

228

9

10

228

8

12

227

3

54

1

192

54

1

192

52

3

192

50

5

192

2

16

3

228

16

3

228

14

6

227

13

7

227

1

Tandatan

gan

Indonesia

(p=42)

9

0

238

8

1

238

6

3

238

4

5

238

3

54

0

193

54

0

193

53

1

193

51

3

193

2

18

3

226

17

4

226

17

4

226

15

7

225

1

Aksara

Bali

(p=23)

Dkenal aksara lain Tidak terdafta r dikenal Dkenal aksara lain Tidak terdafta r dikenal Dkenal aksara lain Tidak terdafta r dikenal Dkenal aksara lain Tidak terdafta r dikenal

Cd= 5,0 Cd= 4,0

Cd= 3,0 Cd= 2,0

(26)

Prosentase keberhasilan pada pengujian sistem pengenalan

92,3

91,9

3

77,8

2

92,3

91,9

1

Tandatangan

Indonesia

(p=42)

92,7

3

78,2

2

91,5

91,1

1

Aksara Bali

(p=23)

Cd

= 5,0

(%)

Cd

= 4,0

(%)

Cd

= 3,0

(%)

Cd

= 2,0

(%)

q

(27)

Grafik

Prosentase

Unjuk

K

erja

Sistem

(28)

Grafik

Waktu

P

(29)

Conclusion

Ekstraksi ciri karakter dilakukan dengan pola khusus yang dibentuk

berdasarkan Metode Pola Busur Terlokalisasi. Pemilihan model dilakukan

dari implementasi pola yang didapatkan pada basisdata citra Aksara Bali,

berdasarkan akumulasi frekuensi kemunculan masing-masing pola model.

Dilihat dari prosentase kesalahan serta waktu proses, metode ini terbukti

cukup efektif dan menghasilkan unjuk kerja yang lebih baik untuk

pengenalan Aksara Bali, dibandingkan dengan memakai pola model

Tandatangan Indonesia.

U

njuk kerja sistem diukur berdasarkan dua macam tipe kesalahan, yaitu:

kesalahan penolakan (

false rejection rate

) dan kesalahan penerimaan

(

false acceptance rate

). Sistem yang dikembangkan mempunyai

prosentase kesalahan minimum pada semua kombinasi konstanta pengali

nilai ambang

Cd

2,0; 3,0; 4,0; 5,0 dan konstanta pemotongan nilai eigen

q

(30)

Sistem Pengenalan Aksara Bali Cetak dengan Pola Model Khusus

berbasis Metode Pola Busur Terlokalisasi

By

A.A.K. Oka Sudana

Gusti Agung Ayu Putri

Ni Kadek Ayu Wirdiani

JURUSAN TEKNOLOGI INFORMASI