SEGMENTASI BARIS CITRA LONTAR AKSARA KUNO MENGGUNAKAN METODE SHREDDING TEXT
SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
JOEVIAN CAESARIO JUHARDI 155314078
PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA YOGYAKARTA
ii
ANCIENT PALM LEAVES HANDWRITTEN TEXT LINE SEGMENTATION BY USING SHREDDING METHOD
THESIS
In a Partial Fulfilment of Requirements for The Degree of Sarjana Komputer Department of Informatic Engineering
JOEVIAN CAESARIO JUHARDI 155314078
INFORMATICS ENGINEERING STUDY PROGRAM INFORMATICS ENGINEERING DEPARTMENT
FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY
YOGYAKARTA 2019
vii ABSTRAK
Segmentasi terdiri dari 2 tahap yaitu segmentasi baris dan juga segmentasi karakter. Masalah yang terjadi pada proses segmentasi baris, khususnya untuk dokumen aksara kuno adalah terkadang terdapat aksara yang mempunyai tinggi yang berbeda – beda, dan pada beberapa kasus aksara tersebut tersambung dengan aksara dibaris atas atau bawahnya.Penelitian ini akan dibangun sistem yang melakukan segmentasi baris menggunakan metode Shredding Text. Data citra yang dipakai adalah citra daun lontar beraksara kuno berjumlah 10 buah citra. Preprocessing yang dilakukan adalah grayscaling, binerisasi, reduksi noise, mencari tinggi karakter, dan
blurring image. Tahap segmentasi yang dilakukan adalah pelacakan untuk area baris,
pelabelan area baris, menghapus area kecil dan menghapus objek kecil. Hasil penelitian memperoleh evaluasi hasil kinerja sistem untuk Detection Rate sebesar 93.079%,
Recognition Accuracy sebesar 90.2629%, dan Perfomance Metric sebesar 91.5326%.
Kata Kunci : daun lontar aksara kuno, preprocessing, segmentasi baris, Shredding
viii ABSTRACT
Segmentation consists of two stages, namely line segmentation and character segmentation. The problem that occurs in the line segmentation process, especially for ancient script documents is that sometimes there are characters that have different heights, and in some cases the letters are connected with letters in the upper or lower lines. This study will build a system that segmented lines using methods Text Shredding. The image data used is the image of ancient illusory palm leaves with 10 images. Preprocessing is done by grayscaling, binarization, noise reduction, looking for high character, and blurring image. The segmentation phase that is carried out is tracking for the line area, labeling the line area, removing small areas and removing small objects. The results of the study obtained evaluation of system performance results for Detection Rate of 93,079%, Recognition Accuracy of 90.2629%, and Perfomance Metric of 91.5326%.
ix
KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadirat Tuhan Yesus Kristus atas rahmat dan karunia-Nya, sehingga penulis dapat menyelesaikan tugas akhir dengan judul “Segmentasi Baris Citra Lontar Aksara Kuno Menggunakan Metode Shredding Text” dengan baik dan tepat waktu. Tugas akhir ini merupakan salah satu persyaratan yang wajib untuk ditempuh sebagai syarat akademik untuk memperoleh gelar sarjana komputer program studi Teknik Informatika Universitas Sanata Dharma Yogyakarta.
Dalam menyelesaikan tugas akhir ini penulis mendapatkan dukungan dan bimbingan dari berbagai pihak. Pada kesempatan ini, penulis mengucapkan banyak terima kasih kepada:
1. Keluarga saya yang selalu mengingatkan saya dan juga telah memberikan dukungan untuk saya menyelesaikan tugas akhir saya.
2. Ibu Dr. Anastasia Rita Widiarti, M.Kom selaku dosen pembimbing tugas akhir yang telah bersedia memberikan arahan, masukan, waktu serta motivasi kepada penulis selama menyelesaikan skripsi.
3. Bapak Yohannes Widodo, S.S selaku penjaga Perpustakaan Universitas Sanata Dharma khususnya pada bagian koleksi Artati yang telah bersedia meluangkan waktu, arahan, dan tempat untuk mengambil data serta menyediakan data – data daun lontar yang dipakai dalam penelitian ini. 4. Seluruh dosen Teknik Informatika Universitas Sanata Dharma yang telah
mendidik dan memberikan ilmu pengetahuan selama proses perkuliahan. 5. Saudara – saudara Welok Played yang telah menjadi sumber inpirasi dan
motivasi karena telah menghidupkan kegiatan selama proses perkuliahan saya dan juga kegiatan diluar perkuliahan.
6. Saudara Theodulus Titho dan Tubagus Rendy yang telah menemani saya selama kegiatan perkuliahan dan juga kegiatan diluar perkuliahan serta
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 GAMBAR ...xiv
DAFTAR TABEL…. ...xvi
BAB I PENDAHULUAN ...1 1.1. Latar Belakang ...1 1.2. Rumusan Masalah ...3 1.3. Tujuan Penelitian ...4 1.4. Manfaat Penelitian ...4 1.5. Batasan Masalah ...4 1.6. Metodologi Penelitian ...4 1.7. Sistematika Penulisan ...5
BAB II LANDASAN TEORI ... 7
2.1. Daun Lontar ... 7
2.2. Definisi dan Representasi Citra …... 7
2.2.1. Citra Warna ……… 8
xii
2.2.3. Citra Biner ………..8
2.3. Akuisisi Data …………... 9
2.4. Segmentasi Shredding Text …………... 9
2.4.1. Preprocessing ………10 2.4.1.1. Cropping ………10 2.4.1.2. Grayscaling ………10 2.4.1.3. Binerisasi ………...11 2.4.1.4. Konektivitas Komponen ………11 2.4.1.5. Reduksi Noise ………12 2.4.1.6. Blurring Image ………...12
2.4.2. Segmentasi Baris Shredding Text ……….13
2.4.2.1. Membuat pelacak untuk area baris (Tracing line areas) ………13
2.4.2.2. Pelabelan pelacak untuk area baris (Labelling line areas) ………….14
2.4.2.3. Menampilkan hasil segmentasi………. ………….15
2.5. Evaluasi Kinerja Sistem………... 15
BAB III METODE PENELITIAN ... 16
3.1. Gambaran Umum ...16
3.2. Desain Penelitian ... 16
3.2.1. Studi Literatur ………...16
3.2.2. Pengumpulan Data Penelitian ………...16
3.2.2.1. Pengumpulan Citra Daun Lontar Beraksara Kuno ………17
3.2.2.2. Cropping ………18
3.3. Analisa Kebutuhan Proses ………...19
3.3.1. Preprocessing ………21
3.3.2. Segmentasi Baris ………..25
3.4. Perancangan Antar Muka Alat Uji ………..31
3.5. Spesifikasi Perangkat Keras dan Perangkat Lunak ……….32
3.5.1. Perangkat Keras ………32
xiii
BAB IV HASIL DAN PEMBAHASAN ...34
4.1. Data Masukan ...34
4.2. Preprocessing ...33
4.2.1. Baca file citra ………35
4.2.2. Grayscaling ………...35
4.2.3. Binerisasi ………..36
4.2.4. Reduksi Noise ………...37
4.2.5. Mencari Tinggi Karakter ………..41
4.2.6. Blurring Image ………..42
4.3. Pencarian Jalur Pelacak ………...44
4.3.1. Pencarian Jalur Pelacak LA ………..44
4.3.2. Pelabelan Jalur Pelacak LA ………..45
4.4. Menampilkan Hasil Segmentasi ………..48
4.5. Evaluasi Kinerja Sistem………53
BAB V PENUTUP ...57 5.1. Kesimpulan ...57 5.2. Saran ...57 DAFTAR PUSTAKA ...58 LAMPIRAN………59
xiv
DAFTAR GAMBAR
Gambar 2.1. Contoh citra daun lontar beraksara………... 7
Gambar 2.2. Contoh penerapan proses filter blur ………...13
Gambar 2.3. Contoh hasil pencarian pelacak untuk area garis ………...14
Gambar 3.1. Diagram blok Segmentasi Baris Citra Lontar Aksara Menggunakan Metode Shredding Text ………..17
Gambar 3.2. Diagram Proses Segmentasi Baris Citra Lontar Aksara Menggunakan Metode Shredding Text ………..19
Gambar 3.3. Diagram Proses Preprocessing ………..21
Gambar 3.4. Diagram Proses Segmentasi Baris ……….26
Gambar 3.5. Prototype Rancangan Antar Muka Alat Uji ………...…………...31
Gambar 4.1. Data Citra Asli ………...34
Gambar 4.2. Data Citra Hasil Pemotongan ………34
Gambar 4.3. Hasil Baca File kuno 1.jpg ……….35
Gambar 4.4. Hasil Proses Grayscaling ………...36
Gambar 4.5. Hasil Proses Binerisasi ………...37
Gambar 4.6. Contoh Noise………...………...37
Gambar 4.7. Hasil Proses Reduksi Noise Memakai bwareaopen ………..38
Gambar 4.8. Screenshoot Tabel Hasil Penyelidikan Label ………39
Gambar 4.9. Hasil Reduksi Noise Tahap 2 ……….40
Gambar 4.10. Screenshot Tabel Hasil Pencarian Tinggi Label ………..41
Gambar 4.11. Hasil Blurring Image ………...43
Gambar 4.12. Contoh Bagian Filter Blur ………43
Gambar 4.13. Hasil Pelacakan LA ……….45
Gambar 4.14. Hasil Bagian Pelacakan LA………..45
Gambar 4.15. Screenshoot Tabel Hasil Penyelidikan LLA ………46
Gambar 4.16. Screenshot Tabel LLA Hasil Penyelidikan Setelah Difilter …………48
xv
Gambar 4.18. Screenshot Tabel Hasil Setelah Proses Penghapusan Objek Kecil…..50
Gambar 4.19. Hasil Segmentasi 1 ………..51
Gambar 4.20. Hasil Segmentasi 2 ………..51
Gambar 4.21. Hasil Segmentasi 3 ………..51
xvi
DAFTAR TABEL
Tabel 3.1. Perangkat Keras (Hardware)………...32 Tabel 3.2. Perangkat Lunak (Software)………...33 Tabel 4.1. Tabel Evaluasi Sistem………....53
1 BAB 1 PENDAHULUAN
1.1.Latar Belakang
Indonesia merupakan sebuah Negara yang terdiri dari lebih dari 10 ribu pulau. Dengan banyaknya jumlahnya pulau tersebut, Indonesia dikenal dunia sebagai Negara kepulauan terbesar di Asia bahkan Indonesia juga merupakan Negara kepulauan terbesar di dunia. Indonesia merupakan terdiri dari beberapa pulau besar diantaranya Pulau Sumatera, Pulau Jawa, Pulau Kalimantan, Pulau Sulawesi, dan juga Pulau Papua. Setiap pulau yang ada di Indonesia masing – masing mempunyai kebudayaan – kebudayaan yang berbeda - beda, bahkan di dalam setiap pulau tersebut mempunyai kebudayaan yang berbeda – beda di hampir setiap daerah di dalam sebuah pulau itu sendiri. Kebudayaan tersebut meliputi rumah adat, pakaian adat, upacara adat, seni musik, seni tari tradisional, seni rupa, senjata tradisional, suku bangsa, bahasa daerah, dan juga seni aksara atatu seni tulisan.
Pada era yang semakin modern ini, sebagai Negara yang mempunyai kebudayaan yang sangat besar dan beragam ini, Indonesia semakin dituntut untuk mengikuti perkembangannya tanpa menghilangkan aspek kebudayaan – kebudayaannya. Salah satu dari sekian banyak kebudayaan tersebut yaitu kebudayaan tentang seni aksara atau seni tulis. Seni aksara atau seni tulisan sendiri merupakan sebuah kesenian yang berbentuk tulisan tangan yang mengandung unsur kesenian dan keiindahan di dalam setiap katanya. Salah satu bentuk dari seni aksara adalah tulisan Aksara daerah kuno, misalnya Aksara Jawa, Aksara Sunda, dan ada juga Aksara Bali.
Semakin bertambahnya waktu, usia daun lontar yang merupakan peninggalan dari masa lalu pastilah semakin bertambah. Dengan bertambahnya usia, daun lontar itu sendiri cepat atau lambat pasti semakin rapuh sehingga daun lontar yang berisi aksara – aksara kuno peninggalan jaman dulu akan semakin
2
mudah rusak. Di dalam era yang semakin canggih ini, era ini menawarkan banyak sekali cara dalam perawatan ataupun pelestarian daun lontar kuno itu sendiri. Digitalisasi merupakan salah satu contoh penawaran yang ditawarkan teknologi – teknologi pada jaman yang modern ini. Digitalisasi sendiri merupakan sebuah proses mengubah informasi yang sifatnya analog, seperti kertas, dokumen, dan yang lainya menjadi bersifat digital. Media yang digunakan dalam mendigitalkan sesuatu seperti dokumen ataupun daun lontar sangatlah beragam, antara lain adalah kamera dan scanner. Dengan kamera, kita dapat mengabadikan sebuah momen ataupun sebuah gambaran suatu benda ke dalam bentuk digital.
Bentuk digital yang berasal dari kamera itu dapat dinamakan sebagai citra digital. Sebuah citra digital dapat diolah sedemikian rupa dengan bantuan media olah lainya seperti komputer. Dengan bantuan komputer, gambar atau citra yang telah kita simpan dapat diproses sehingga dapat mengeluarkan output sesuai yang diinginkan. Transliterasi atau yang disebut alih aksara merupakan salah satu dari sekian banyak contoh proses yang dapat kita lakukan dengan data berupa citra digital, dalam hal ini citra tersebut merupakan citra dokumen.
Citra dokumen merupakan sebuah citra yang memuat tulis – tulisan. Dalam proses transliterasi pada sebuah perangkat, seperti komputer, pastilah membutuhkan beberapa pemrosesan citra. Pemrosesan tersebut bisa terdiri dari
preprocessing, ekstraksi ciri, klasifikasi dan yang lainnya. Dalam preprocessing
sendiri, proses tersebut dapat membantu dalam komputasi, misalnya binerisasi,
grayscaling, cropping, dan sebagainya.
Segmentasi merupakan salah satu contoh dalam tahap – tahap yang diperlukan dalam alih aksara sebuah citra dokumen. Segmentasi terdiri dari 2 tahap yaitu segmentasi baris dan juga segmentasi kata. Segmentasi baris merupakan proses dimana program dapat memisahkan baris satu dengan baris lainnya. Sedangkan segmentasi kata merupakan proses dimana program dapat memisahkan setiap kata pada citra dokumen tersebut.
3
Kedua proses segmentasi yaitu segmentasi baris dan segmentasi memiliki masalah – masalahnya tersendiri dalam pemrosesannya. Pada kasus segmentasi baris, proses segmentasi ini memiliki masalah tersendiri yaitu pada saat melakukan segmentasi itu sendiri. Masalah yang terjadi pada umumnya, khususnya untuk dokumen aksara kuno adalah terkadang terdapat aksara yang mempunyai tinggi yang berbeda – beda, dan pada beberapa kasus aksara tersebut tersambung dengan aksara dibaris atas atau bawahnya. Salah satu metode yang dapat digunakan untuk menyelesaikan masalah segmentasi baris tersebut adalah metode Shredding Text. Metode Shredding Text. Menurut Nicolaou dan Gatos (2009), sebuah citra dokumen dapat dipotong (shred) menjadi kumpulan potongan di sepanjang celah putih yang terdapat diantara baris – baris.
Metode Shredding Text telah diciptakan dan digunakan untuk penelitian oleh A. Nicolau dan B. Gatos pada tahun 2009 dengan judul “Handwritten Text
Line Segmentation by Shredding Text into its Lines”. Penelitian tersebut bertujuan
untuk menciptakan gagasan atau ide metode baru terhadap segmentasi baris pada citra dokumen. Persentase evaluasi kinerja sistem yang diperoleh dari penelitian tersebut cukup tinggi yaitu Detection Rate sebesar 98,9%, Recognition Accuracy sebesar 98,3%, dan Perfomance Metric sebesar 98,6%.
Oleh karena itu, penelitian ini dilakukan untuk mencoba menggunakan Metode Shredding Text dalam pengukuran persentase keberhasilan segmentasi baris pada kasus citra daun lontar.
1.2.Rumusan Masalah
Berapakah persentase keberhasilan segmentasi baris citra daun lontar beraksara kuno dengan menggunakan metode Shredding Text?
4 1.3.Tujuan Penelitian
Mengetahui tingkat keberhasilan sistem dalam melakukan segmentasi baris menggunakan metode Shredding Text.
1.4.Manfaat Penelitian
Manfaat dari penelitian ini adalah untuk menambah referensi metode yang dapat digunakan kepada peneliti yang selanjutnya mengenai segmentasi baris ataupun kepada peneliti yang berkaitan dengan transliterasi citra dokumen.
1.5.Batasan Masalah
Batasan masalah yang digunakan pada penelitian ini adalah sebagai berikut: 1. Citra yang digunakan hanya citra daun lontar aksara kuno.
2. Pemotongan (cropping) terhadap citra yang digunakan dilakukan dengan pemotongan manual.
3. Pemrosesan yang dilakukan hanya segmentasi baris. 4. Masukan hanya berupa gambar berformat .jpg atau .png
5. Perhitungan objek dalam evaluasi kinerja sistem dilakukan secara manual
1.6.Metodologi Penelitian 1. Studi Literatur
Pada tahap ini semua hal yang mendukung penelitian ini dipelajari melalui sumber – sumber pengetahuan seperti buku referensi ataupun jurnal yang berkatian dengan segmentasi baris dalam citra dokumen
2. Perancangan Sistem
Pada tahap ini akan dibangun sebuh sistem yang mempunyai fungsi sebagai alat uji untuk mengetahui persentase akurasi segmentasi baris dengan algoritma atau metode yang digunakan.
5 3. Pengumpulan Data
Pada tahap ini data yang akan digunakan dalam penelitian merupakan data citra daun lontar yang berisikan aksara kuno. Data akan dikumpulkan dengan menggunakan alat bantu seperti kamera dan tambahan lampu smartphone. Data yang dipakai merupakan daun lontar yang diambil di Perpustakaan Universitas Sanata Dharma Yogyakarta
4. Pembuatan Sistem
Pada tahap ini pembangunan sistem akan diimplementasikan berdasarkan rancangan sistem yang telah dibuat.
5. Pengujian
Pada tahap ini sistem akan diuji dengan menghitung persentase akurasi yang didapatkan dalam segmentasi baris daun lontar aksara kuno menggunakan metode Shredding Text.
6. Pembuatan Laporan
Pada tahap ini dilakukan proses pembuatan laporan penelitian yang didasarkan tahap – tahap dan proses yang telah dilakukan.
1.7.Sistematika Penulisan BAB I: PENDAHULUAN
Bab I merupakan Bab yang berisi tentang latar belakang tugas akhir dibuat, rumusan masalah, tujuan penelitian, batasan masalah, metodologi penelitian, dan sistematika penulisan.
BAB II LANDASAN TEORI
Bab II merupakan Bab yang berisikan tentang teori – teori yang digunakan dalam penelitian ini.
BAB III METODE PENELITIAN
Bab III merupakan Bab yang berisikan tentang rencana tahapan yang akan digunakan dalam penyusunan penelitian. Tahapan – tahapan penelitian yang
6
direncanakan meliputi akusisi data / pengumpulan data, pengolahan data, desain rancangan alat uji, analisis data, cara pengujian, dan juga desain interface user.
BAB IV IMPLEMENTASI DAN ANALISA HASIL
Bab IV merupakan Bab yang berisikan tentang penjelasan mengenai impelementasi yang telah dibuat dengan penerapan algoritma yang digunakan serta analisa hasil berupa analisis dan evaluasi
BAB V PENUTUP
Bab V merupakab Bab akhir yang berisikan kesimpulan dari seluruh penelitian dan saran yang diusulkan kepada pengembangan lebih lanjut.
7 BAB 2
LANDASAN TEORI
2.1.Daun Lontar
Lontar (dari bahasa Jawa: ron tal, "daun tal") adalah daun siwalan atau tal (Borassus flabellifer atau palmyra) yang dikeringkan dan dipakai sebagai bahan naskah dan kerajinan (Hinzler, 1993). Daun lontar merupakan salah satu media tulis yang dipakai di Asia Selatan dan Asia Tenggara. Di Indonesia sendiri, daun lontar sering ditemukan dan digunakan di Sunda (Jawa Barat), Jawa, Bali, Madura, Lombok, dan juga Sulawesi. Di pulau Bali sendiri, saat ini daun lontar masih banyak digunakan untuk keperluan adat ataupun sebagai cinderamata khas Bali.
Gambar 2.1. Contoh citra daun lontar beraksara (Sumber : Perpustakaan Universitas Sanata Dharma(2019))
2.2.Definisi dan Representasi Citra Digital
Secara umum, pengolahan citra digital adalah manipulasi dan interprestasi digital dari citra dengan bantuan komputer (Zhou, 1999). Menurut Gonzalez (2012), citra digital dapat didefinisikan sebagai fungsi dua-dimensi, f (x, y), di mana x dan y adalah spasial (bidang), dan amplitudo f pada setiap pasangan koordinat (x, y) disebut intensitas atau tingkat abu-abu gambar pada saat itu. Ketika x, y, dan nilai amplitudo dari f adalah semua finitie, kuantitas diskrit.
Dalam pemrosesan citra digital, terdapat 3 jenis umum citra yang digunakan. Menurut Kadir dan Adhi. (2013) jenis citra digital dibagi menjadi 3
8
jenis yaitu citra biner, citra abu, dan citra warna. Jenis – jenis citra dapat didefinisikan sebagai berikut:
2.2.1. Citra Warna
Citra RGB merupakan citra yang terdiri dari 3 macam keping, yaitu keping R (merah), G (hijau), dan B (biru). Setiap nilai dari keping tersebut mempunyai rentang nilai dari nilai 0 sampai 255. Kemungkinan jumlah warna terbanyak yang dihasilkan dari citra RGB adalah 255 x 255 x 255 atau 16.581.375 warna yang berbeda – beda.
2.2.2. Citra Abu – Abu
Citra grayscale adalah citra yang menangani gradasi antara warna hitam dan putih (biner) yang secara visual akan dideskripsikan sebagai citra abu – abu. Pada citra grayscale warna dinyatakan dengan intensitas. Intesitas citra grayscale memiliki rentang nilai dari 0 sampai 255. Nilai 0 menyatakan warna hitam dan nilai 255 menyatakan warna putih. Pada citra grayscale, citra yang memiliki nilai yang mendekati 0 akan semakin gelap, sedangkan citra yang memiliki nilai yang lebih mendekati 255 akan semakin terang. Dengan kata lain, semakin kecil nilai grayscale pixel maka semakin gelap citra yang dihasilkan, sebaliknya semakin besar nilai grayscale pixel maka citra yang dihasilkan semakin terang.
2.2.3. Citra Biner
Citra biner atau yang biasa disebut sebagai citra hitam-putih. Citra biner hanya memiliki satu channel warna dan hanya mempunyai 2 kemungkinan nilai pikselnya, yaitu 1 atau 0. Nilai 0 menyatakan warna hitam sedangkan nilai 1 menyatakan warna putih.
9 2.3.Akuisisi Data
Data Acqusisition atau akuisisi data merupakan suatu proses dalam sebuah
penelitian yang dilakukan dengan tujuan untuk memperoleh data dan juga menentukan cara untuk mengukur data tersebut serta berapa jumlah data yang diperlukan dalam penelitian. Dalam proses pengambilan data, khususnya untuk data citra, data dapat diperoleh melalui pemotretan menggunakan kamera, atau perangkat lain yang dapat digunakan untuk memotret citra. Data citra yang didapatkan dapat berasal dari lingkungan sekitar dan dapat diubah kedalam bentuk digital sehingga dapat diolah komputer.
2.4.Segmentasi Shredding Text
Segmentasi citra bertujuan mendapatkan objek-objek citra dengan cara membagi citra ke dalam beberapa daerah yang memiliki kemiripan atribut (Kadir dkk, 2013).
Pada penelitian ini segmentasi yang dilakukan berfokus pada proses segmentasi baris pada sebuah citra dokumen. Metode yang digunakan untuk segmentasi adalah metode Shredding Text. Metode ini diciptakan oleh A. Nicolau dan B. Gatos pada tahun 2009 dengan mengusulkan sebuah strategi citra dokumen dapat dipisah – pisah ke potongan-potongan baris dengan adanya kesenjangan (gap) diantara baris-baris. Metode local minima digunakan pada data hasil proyeksi baris, yang akan menjadi batas segmentasi baris teks. Pendekatan ini didasarkan pada asumsi topologi bahwa setiap baris teks terdapat jalur dari sisi kanan ke sisi kiri gambar yang melintasi hanya satu baris teks. Langkah pertama adalah mengaburkan gambar kemudian menggunakan pelacak untuk mengikuti jalur paling putih dan paling hitam dari kiri ke kanan dan juga sebaliknya untuk memisahkan citra menjadi baris teks. Sebelum melakukan langkah pertama dilakukan tahapan preprocessing yang meliputi grayscaling, binerisasi, konektivitas komponen, dan reduksi noise terlebih dahulu. Langkah – langkah yang dilakukan berikut didasarkan pada penelitian B. Gatos, dkk (2009) yaitu:
10
2.4.1. Preprocessing
2.4.1.1.Cropping
Cropping pada sebuh citra merupakan sebuah proses dimana citra yang
diolah dilakukan pemotongan pada koordinat tertentu yang berada pada suatu area pada citra tersebut. Proses cropping pada sebuah citra termasuk kedalam kategori operasi geometri citra. Cropping dilakukan untuk menghilangkan bagian citra yang tidak diinginkan. Cropping juga dapat diartikan dalam pengolahan citra sebagai pengambilan sebuah bagian atau area dalam sebuah citra yang diinginkan.
2.4.1.2.Grayscaling
Citra grayscale merupakan sebuah citra yang mempunyai warna diantara warna hitam dan putih. Citra grayscale direpresentasikan dengan variasi nilai intensitas tertentu yang berada dalam interval 0 hingga 255. Proses
grayscaling merupakan proses konversi citra dari citra warna atau RGB
menjadi citra grayscale (citra keabuan). Citra RGB memiliki 3 komponen keping warna yaitu R(merah), G(hijau), B(biru) tersebut akan dikonversikan menjadi citra grayscale. Citra berwarna dapat dikonversikan menjadi citra
grayscale menggunakan NTSC (National Television System Committee)
(Kadir, dkk, 2012). Operasi yang digunakan untuk melakukan konversi citra warna RGB menjadi citra grayscale adalah sebagai berikut:
𝑔(𝑥, 𝑦) = 𝑤𝑟𝑅(𝑥, 𝑦) + 𝑤𝑔𝐺(𝑥, 𝑦) + 𝑤𝑏𝐵(𝑥, 𝑦) (2.1) Dimana berdasarkan NTSC:
wr = bobot komponen R (bernilai 0.299)
wg = bobot komponen G (bernilai 0.587)
wb = bobot komponen B (bernilai 0.144)
g(x,y) = hasil konversi grayscale pada lokasi pixel (x,y) R(x,y) = nilai piksel pada lokasi (x,y) untuk komponen R
11
G(x,y) = nilai piksel pada lokasi (x,y) untuk komponen G B(x,y) = nilai piksel pada lokasi (x,y) untuk komponen B
2.4.1.3.Binerisasi
Binerisasi merupakan sebuah pemrosesan citra untuk melakukan konversi citra dari citra grayscale (abu – abu) menjadi citra biner (hitam putih). Citra biner merupakan memiliki 2 kemungkinan nilai pada setiap pikselnya yaitu 1 (putih) dan 0 (hitam). Citra abu-abu dikonversi menjadi citra biner dengan cara menentukan suatu level keabuan T dalam citra abu-abu, kemudian setiap piksel pada citra abu-abu diubah menjadi piksel hitam atau putih berdasarkan nilai level keabuan T tersebut.
𝐼(𝑥, 𝑦) = {1, 𝑗𝑖𝑘𝑎 𝑓(𝑥, 𝑦) > 𝑇
0, 𝑗𝑖𝑘𝑎 𝑓(𝑥, 𝑦) ≤ 𝑇 (2.2) Dengan:
I(x,y) = citra hasil binerisasi f(x,y) = citra masukan
T = nilai thresholding (nilai ambang)
Pengambangan batas (thresholding) merupakan tahapan yang sangat penting dalam segmentasi citra digital. Thresholding digunakan dengan tujuan untuk memilah objek – objek karakter yang diinginkan dari latar belakang citra. Dalam penelitian ini metode pengambangan batas yang digunakan adalah metode Sauvola.
2.4.1.4.Konektivitas Komponen
Pada penelitian ini metode konektivitas komponen LI(x,y) menggunakan fungsi bwlabel yang merupakan fungsi pelabelan dari citra biner dari Matlab. Pelabelan menggunakan konektivitas 4 ketetanggaan.
𝐿𝐼(𝑥, 𝑦) = { 0, 𝑗𝑖𝑘𝑎 𝐼(𝑥, 𝑦) = 0
12 Dimana:
LI(x,y) = hasil pelabelan Label = {1,2,3,4,….N}
2.4.1.5.Reduksi Noise
Noise atau derau pada sebuah citra dapat terjadi karena karakteristik
derajat keabuan (gray level) atau di karenakan adanya variabel acak yang terjadi karena karakteristik fungsi probabilitas kepadatan (probability density
function (PDF)). Apabila citra yang mengandung noise langsung diproses dan
di ekstrak, maka fitur-fitur pentingnya dapat menimbulkan masalah akurasi. Jadi sebaiknya citra tersebut dibersihkan dari noise terlebih dahulu, dan kemudian diproses untuk diekstrak ciri - ciri pentingnya. (Gonzalez, 2002).
Pada penelitian ini metode yang digunakan untuk reduksi noise dilakukan karena citra yang dibutuhkan untuk kebutuhan sistem merupakan citra yang tidak memiliki noise. Dalam penelitian ini reduksi noise dilakukan menggunakan fungsi bwareaopen yang merupakan fungsi dari Matlab untuk menghilangkan semua konektivitas komponen yang mempunyai nilai piksel kurang dari suatu nilai yang ditentukan.
2.4.1.6.Blurring Image
Blurring Image adalah proses citra yang dilakukan dengan tujuan untuk mengkaburkan atau memblurkan citra. Blurring Image dapat dilakukan dengan berbagai macam teknik. Sebelum melakukan bluring citra dilakukan operasi histogram untuk mencari perkiraan tinggi huruf yang didefinisikan sebagai LH. Dalam penelitian ini Blurring Image dilakukan dengan menggunakan rumus sebagai berikut:
𝐵(𝑥, 𝑦) = ∑
𝑖= 𝐵𝑊 2 𝑖=−𝐵𝑊 2∑
𝑘=𝐼(𝑥 + 𝑖, 𝑦 + 𝑘)
𝐵𝐻 2 𝑘=−𝐵𝐻 2 (2.4)13 Dengan:
B(x,y) = citra hasil Blurring Image BW = lebar jendela yang mengaburkan
BH = tinggi jendela yang mengaburkan
B (x, y) adalah gambar yang difilter, BW = LH * 8 adalah lebar jendela yang mengaburkan dan BH = LH * 0.8 adalah tinggi jendela yang mengaburkan. BW bertujuan untuk mengaburkan spasi putih di antara kata-kata secara berturut-turut dalam satu baris dan BH bertujuan untuk mengaburkan huruf dalam garis yang menjaga celah putih antara dua baris berturut-turut (Du, dkk, 2009).
Gambar 2.2. Contoh penerapan proses Blurring Image
2.4.2. Segmentasi Baris Shredding Text
Tahapan setelah proses preprocessing adalah tahap segmentasi baris menggunakan Shredding Text. Tahap Shredding Text dilakukan dibagi menjadi 2 langkah yaitu membuat pelacak untuk area baris dan pelabelan pelacak untuk area baris
2.4.2.1.Membuat pelacak untuk area baris (Tracing line areas)
Untuk setiap piksel pada citra hasil Blurring Image dari piksel paling kiri hingga paling kanan terdapat sebuah jalur yang memuat piksel paling putih (whitest pixel). Dalam perumusannya, dilakukan fungsi sebagai berikut:
14 𝑇𝑟𝑘,𝐵(𝑛 + 1) = { 𝑇𝑟𝑘,𝐵(𝑛) − 1 𝑖𝑓 𝐵 (𝑛, 𝑇𝑟𝑘,𝐵(𝑛) + 𝐵𝐻 2 ) > 𝐵(𝑛, 𝑇𝑟𝑘,𝐵(𝑛) − 𝐵𝐻 2 ) 𝑇𝑟𝑘,𝐵(𝑛) 𝑖𝑓 𝐵 (𝑛, 𝑇𝑟𝑘,𝐵(𝑛) +𝐵𝐻 2 ) = 𝐵(𝑛, 𝑇𝑟𝑘,𝐵(𝑛) − 𝐵𝐻 2 ) 𝑇𝑟𝑘,𝐵(𝑛) + 1 𝑖𝑓 𝐵 (𝑛, 𝑇𝑟𝑘,𝐵(𝑛) + 𝐵𝐻 2 ) < 𝐵(𝑛, 𝑇𝑟𝑘,𝐵(𝑛) − 𝐵𝐻 2 ) (2.5)
Semua kemungkinan pelacakan pada citra hasil Blurring Image disimpan kedalam bentuk citra biner dan disimpan ke variabel LA (x, y).
𝐿𝐴(𝑥, 𝑦) = {0 𝑖𝑓 ∃ 𝑘 ∶ 𝑇𝑟𝑘,𝐵(𝑥) = 𝑦
1 𝑖𝑛 𝑎𝑙𝑙 𝑜𝑡ℎ𝑒𝑟 𝑐𝑎𝑠𝑒𝑠 (2.6)
Gambar 2.3. Contoh hasil pencarian pelacak untuk area garis
LA (x, y) berisikan garis strip dari area garis teks sebagai 1s dan titik pemisahan mereka sebagai 0s. Kemudian proses yang sama untuk menelusuri jalur putih dari kanan ke kiri dan menggambar lintasan pada LA (x, y) juga, untuk mengurangi terjadinya garis yang tidak terhubung.
2.4.2.2.Pelabelan pelacak untuk area baris (Labelling line areas)
Setelah pelacak gambar jalur putih LA(x,) terbentuk, selanjutnya dilakukan pelabelan untuk konektivitas komponen dengan 4 ketetanggaan dan disimpan ke LLA(x,y).
𝐿𝐿𝐴(𝑥, 𝑦) = {0 𝑖𝑓 𝐿𝐴(𝑥, 𝑦) = 0
𝑙𝑎𝑏𝑒𝑙 𝑖𝑓 𝐿𝐴(𝑥, 𝑦) ≠ 0 (2.7) Dalam pelabelan, komponen yang mewakili area garis teks dan komponen yang sangat kecil yang dibuat saat pelacak terkumpul ke lokal minima. Karena semua komponen dalam LLA (x, y) dianggap mewakili baris teks yang berbeda, dilakukan filter terhadap komponen yang memiliki piksel lebih sedikit dari LH^2 (tidak boleh ada garis yang lebih kecil dari huruf).
15 2.4.2.3.Menampilkan hasil segmentasi
Dalam menampilkan hasil segmentasi, dilakukan penggabungan antara hasil dari preprocessing yaitu hasil citra setelah reduksi noise dengan hasil dari pelabelan untuk area baris. Sebelum menampilkan dilakukan proses filter untuk menghapus objek yang memiliki piksel lebih sedikit dari LH * log(LH). Filter dilakukan untuk menghilangkan objek yang terlalu kecil.
2.5.Evaluasi Kinerja Sistem
Pengukuran tingkat keberhasilan sistem dalam melakukan segmentasi baris dilakukan dengan menghitung jumlah baris hasil dari sistem dibagi jumlah baris sebenarnya dikalikan 100. Berikut rumus yang digunakan:
𝐴𝑘𝑢𝑟𝑎𝑠𝑖𝐵𝑎𝑟𝑖𝑠 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑏𝑎𝑟𝑖𝑠 ℎ𝑎𝑠𝑖𝑙 𝑠𝑖𝑠𝑡𝑒𝑚
𝑗𝑢𝑚𝑙𝑎ℎ 𝑏𝑎𝑟𝑖𝑠 𝑠𝑒𝑏𝑒𝑛𝑎𝑟𝑛𝑦𝑎 𝑥 100%
Metode yang digunakan untuk mengukur kinerja sistem dari algoritma yang digunakan didasarkan pada penghitungan jumlah kecocokan antara entitas yang terdeteksi oleh algoritma dan entitas dengan perhitungan secara manual (I. Philips, dkk, 1999). Semakin tinggi nilai Detection Rate, Recognition Accuracy, dan
Performance Matric yang didapatkan, maka semakin baik kinerja sistem yang
dihasilkan. Perhitungan kinerja sistem ini dilakukan dengan tujuan untuk mengukur seberapa besar tingkat keberhasilan sistem dalam menghitung jumlah objek perbarisnya hasil dari sistem dengan jumlah objek sebenarnya yang terdapat pada setiap barisnya.
Berikut rumus yang digunakan: 𝐷𝑅 =𝑜2𝑜 𝑁 , 𝑅𝐴 = 𝑜2𝑜 𝑀 , 𝐹𝑀 = 2𝐷𝑅 𝑥 𝑅𝐴 𝐷𝑅+𝑅𝐴 (2.8) Dengan: DR = Detection Rate
16
RA = Recognition Accuracy
FM = Performance Metric N = jumlah objek pada citra asli
M = jumlah objek hasik perhitungan mesin
17 BAB 3
METODE PENELITIAN
3.1. Gambaran Umum
Perancangan sistem Segmentasi Baris Citra Daun Lontar Beraksara menggunakan Metode Shredding Text bertujuan untuk membuat alat uji perhitungan baris yang terdapat pada citra daun lontar. Gambaran umum sistem yang akan dibangun dapat dilihat pada gambar diagram blok Gambar 3.1. dibawah ini.
Gambar 3.1. Diagram blok Segmentasi Baris Citra Lontar Aksara Menggunakan Metode Shredding Text
Masukan dari sistem merupakan citra daun lontar beraksara. Sistem melakukan proses segmentasi pada masukan dan menghasilkan keluaran berupa citra hasil segmentasi beserta jumlah baris yang dideteksi sistem
3.2. Desain Penelitian 3.2.1. Studi Literatur
Studi literatur dilakukan untuk mendapatkan informasi terkait penelitian yang dilakukan. Studi literatur dilakukan dengan cara mempelajari buku refrensi dan jurnal - jurnal yang berkaitan dengan segmentasi baris pada citra menggunakan metode Shredding Text dan juga segala hal yang berkaitan dengan teori pemrosesan citra.
18 3.2.2. Pengumpulan Data Penelitian
Data penelitian adalah citra daun lontar beraksara yang didapatkan dari Perpustakan Universitas Sanata Dharma Yogyakarta. Citra daun lontar yang dipilih merupakan daun lontar beraksara yang sekiranya mempunyai sedikit noise dan aksara – aksara yang tertulis dapat dilihat dengan mata telanjang. Data diambil menggunakan Kamera Canon EOS 600D dengan jarak pengambilan 30 cm dengan daun lontar dan pencahayaan berasal dari lampu perpustakaan serta 2 lampu senter handphone disesuaikan dengan tingkat kelekukan daun lontar.
Pada penelitan ini, data yang telah diambil disiapkan untuk alat uji melalui beberapa tahapan antara lain tahap pengumpulan citra lontar beraksara, tahap pemotongan (cropping) menggunakan Adobe
Photoshop CS6.
3.2.2.1. Pengumpulan Citra Daun Lontar Beraksara Kuno
Pengumpulan citra daun lontar dilaksanakan di Perpustakaaan Universitas Sanata Dharma dengan meminta perizinan terhadap penjaga perpustakaan. Daun lontar didapatkan pada bagian Koleksi Artati yang terdapat pada perpustakaan. Daun lontar yang disediakan berupa satu ikat kumpulan daun lontar yang beraksara. Kumpulan daun tersebut kemudian dipilih dengan melihat apakah daun tersebut masih bagus atau utuh sehingga pada saat pemrosesan ke sistem dapat berjalan lebih baik. Citra daun lontar diambil dengan bantuan Kamera Canon EOS 600D dengan jarak sekitar 30cm dari daun lontar dan menggunakan pencahayaan yang disesuaikan dengan tingkat kelekukan daun lontar.
19 3.2.2.2. Cropping
Citra yang telah diambil dilakukan pemotongan manual sehingga bagian yang tidak diperlukan dapat dihilangkan. Bagian yang dipotong hanyalah latar belakang (background). Cropping manual dilakukan menggunakan bantuan software Adobe Photosop CS6.
Proses cropping dilakukan secara manual karena data yang didapatkan memiliki koordinat atau letak posisi, panjang dan lebar yang berbeda – beda.
3.3. Analisa Kebutuhan Proses
Dalam penelitian ini terdapat 2 proses utama yaitu preprocessing, segmentasi baris. Berikut diagram proses:
Gambar 3.2. Diagram Proses Segmentasi Baris Citra Lontar Aksara Menggunakan Metode Shredding Text
Gambar 3.2. menggambarkan tentang urutan proses-proses yang dilakukan sistem dalam melakukan segmentasi baris citra daun lontar. Proses
20
pertama yang dilakukan adalah membaca file input yang berupa citra daun lontar, kemudian dilanjutkan dengan tahap preprocessing, segmentasi baris, dan evaluasi sistem. Penjelasan mengenai langkah-langkah yang dilakukan sebagai berikut:
3.3.1. Preprocessing
Sebelum data citra diolah maka data citra tersebut harus disiapkan sedemikian rupa sehingga data tersebut siap untuk diolah. Berikut diagram proses untuk tahap preprocessing:
21
Gambar 3.3. Diagram Proses Preprocessing
Gambar 3.3. menggambarkan tentang urutan proses-proses yang dilakukan sistem dalam melakukan proses preprocessing. Dalam tahapan pertama preprocessing dilakukan proses grayscaling citra daun lontar aksara menggunakan fungsi bawaan Matlab yaitu rgb2gray().
22
Tahap kedua adalah proses binerisasi citra daun lontar yang telah dilakukan grayscaling menjadi citra biner. Proses binerisasi menggunakan fungsi bawaan Matlab yang mengimplementasikan metode Sauvola dengan parameter awal (default parameter).
Tahap selanjutnya adalah tahap reduksi noise. Reduksi noise pada penelitian ini dilakukan dengan 2 tahap. Tahap 1 adalah reduksi noise menggunakan toolbox bwareaopen yang disediakan oleh Matlab untuk mengurangi beban komputasi. Tahap 2 adalah reduksi noise yang dilakukan dengan cara mencari tinggi dan lebar dari setiap komponen label. Tahap awal reduksi noise adalah dilakukan penyelidikan pada setiap komponen berlabel dengan cara membuat tabel yang menampung tinggi dan lebar untuk setiap label.
Berikut adalah pseudocode untuk menjelaskan algoritma reduksi noise yang digunakan:
• Reduksi noise
1. Buat tabel penyelidikan berisi label, tinggi, dan lebar objek i. Lakukan pelabelan pada citra
ii. Buat matriks zeros berukuran label tertinggi x 3 iii. Lakukan perulangan dari k=1 hingga label tertinggi
a. Cari koordinat dari tinggi dan lebar pada label k b. Simpan label k ke tabel(k,1)
c. Simpan tinggi label dengan menghitung nilai koordinat maksimum tinggi dikurang nilai koordinat minimum tinggi ke tabel(k,2)
d. Simpan lebar label dengan menghitung nilai koordinat maksimum dari lebar dikurang nilai koordinat minimum lebar ke tabel(k,3)
23
iv. Hitung nilai minimum dan standar deviasi dari semua tinggi dan lebar pada tabel
2. Hapus noise
i. Hitung jumlah baris dan kolom citra berlabel ii. Buat variabel baru berisi citra yang berlabel
iii. Lakukan perulangan dari i = 1 sampai sejumlah tabel a. Buat variabel jumlahTinggi berisi tabel(i,2) b. Buat variabel jumlahLebar berisi tabel(i,3)
c. Hitung nilai kewajaran tinggi dengan jumlahTinggi – standar deviasi tinggi + nilai minimum dari semua tinggi d. Hitung nilai kewajaran lebar dengan jumlahLebar – standar deviasi lebar + nilai minimum dari semua lebar e. Jika nilai kewajaran tinggi < 0 , maka
a. Lakukan perulangan sejumlah baris
i. Lakukan perulangan sejumlah kolom 1. Jika label(baris, kolom) = i, maka 2. label(baris, kolom) = 0
3. akhiri perulangan ii. akhiri perulangan
f. Jika nilai kewajaran lebar < 0 , maka a. Lakukan perulangan sejumlah baris
i. Lakukan perulangan sejumlah kolom 1. Jika label(baris,kolom) = i, maka 2. label(baris,kolom) = 0
3. akhiri perulangan ii. akhiri perulangan
iv. Akhiri perulangan
24
Tahap berikutnya adalah mencari perkiraan tinggi karakter. Tahap pertama dalam mencari tinggi karakter adalah dengan mencari tinggi untuk setiap objek dan menyimpan pada suatu variabel. Setelah mencari tinggi untuk setiap karakter dilakukan pencarian tinggi yang paling banyak muncul atau mencari modus dari kumpulan tinggi karakter tersebut. Jika semua tinggi karakter hanya muncul satu kali maka nilai modus ditentukan berdasarkan nilai tinggi terendah.
Tahap terakhir dari proses preprocessing adalah Blurring Image.
Blurring Image dilakukan untuk mengkaburkan citra yang telah diproses dari
tahap diatas. Output akhir dari Blurring Image adalah citra bertipe double yang nilai untuk setiap pikselnya diburamkan berdasarkan estimasi tinggi karakter yang telah dicari pada proses sebelumnya.
Berikut adalah pseudocode untuk menjelaskan algoritma blurring
image yang digunakan:
• Blurring Image
1. Hitung bluring window width hwindow = tinggi karakter * 8 2. Hitung bluring window height vwindow = tingg karakter * 0.8 3. Lakukan pengecekan langkah 1 dan 2
i. Jika hwindow bernilai ganjil maka hwindow + 1 ii. Jika vwindow bernilai ganjil maka vwindow + 1
4. Buat matriks zeros tmpin berukuran (baris citra + vwindow) x (kolom citra + hwindow )
5. Simpan nilai piksel tmpin pada koordinat (1 + vwindow / 2 sampai end - vwindow/2) , 1 + hwindow / 2 : end – hwindow / 2) dengan nilai piksel citra
6. Buat variabel cumsum1 berisi hasil perhitungan kumulatif dari tmpin 7. Buat variabel cumsum2 berisi hasil perhitungan kumulatif dari
25
8. Buat variabel summed1 berisi nilai piksel cumsum2 pada koordinat ((vwindow+1) sampai end) , ((hwindow+1) sampai end)
9. Buat variabel summed2 berisi nilai piksel cumsum2 pada koordinat (1 sampai (end–vwindow)) , (1 sampai (end–hwindow))
10. Buat variabel summed3 berisi nilai piksel cumsum2 pada koordinat ((1+vwindow) sampai end) , (1 sampai (end-hwindow))
11. Buat variabel summed4 berisi nilai piksel cumsum2 pada koordinat (1 sampai (end-vwindow) ), ((hwindow+1) sampai end)
12. Buat variabel RES berisi penjumlahan summed1 dan summed2 dikurang dengan summed3 dan summed4
13. Lakukan perhitungan RES = RES dibagi dengan (vwindow+1 dikalikan hwindow+1)
3.3.2. Segmentasi Baris
Segmentasi Baris menggunakan metode Shredding Text dilakukan dengan cara membuat jalur pelacakan untuk area baris, pelabelan pelacak untuk area baris, dan menampilkan hasil segmentasi. Berikut adalah diagram proses segmentasi baris:
26
Gambar 3.4. Diagram proses Segmentasi Baris
Gambar 3.4. menggambarkan tentang urutan proses-proses yang dilakukan sistem dalam melakukan proses segmentasi baris. Proses pencarian pelacakan untuk area baris dan pusat baris dicari dengan perhitungan pada citra hasil Blurring Image. Pencarian pelacak area baris LA dilakukan untuk mencari jalur whitest pixels atau dapat disebut piksel terputih dari ujung kiri citra hasil
Blurring Image hingga ujung kanan citra hasil Blurring Image. Pelabelan
pelacak area baris LLA dilakukan dengan fungsi toolbox bwlabel dalam Matlab. Setelah pelabelan, dilakukan filter untuk area – area yang kecil. Filter dilakukan pada area yang memiliki nilai piksel yang kurang dari tinggi karakter pangkat 2 karena tidak ada baris yang lebih kecil dari sebuah kata. Sebelum menampilkan hasil segmentasi, dilakukan penggabungan antar hasil dari LLA dan hasil dari preprocessing yaitu hasil setelah reduksi noise.
27
Berikut adalah pseudocode untuk menjelaskan algoritma pencarian pelacak area baris yang digunakan:
• Pelacakan area baris (LA)
1. Buat matriks ones bertipe logical dengan ukuran citra Blurring Image
2. Hitung jumlah baris dan kolom citra Blurring Image 3. Hitung tinggi minimal = (tinggi karakter / 2) +1 4. Hitung penyeimbang = tinggi karakter / 2 5. Hitung tinggi maksimal = baris – tinggi minimal
6. Buat variabel laTracers berisi minHeight sampai maxHeight secara urut
7. Pelacakan dari citra kiri ke citra kanan
Lakukan perulangan dari x = 1 sampai sejumlah kolom
i. Buat variabel b1 berisi nilai piksel Blurring Image pada koordinat ((laTracers+penyeimbang) , x)
ii. Buat variabel b2 berisi nilai piksel Blurring Image pada koordinat ((laTracers-penyeimbang) , x)
iii. Untuk laTracers yang memiliki nilai b1 kurang dari b2 maka ditambah 1 setiap nilainya
iv. Untuk laTracers yang memiliki nilai b1 lebih dari b2 maka dikurang 1 setiap nilainya
v. Untuk laTracers yang memiliki nilai laTracers kurang dari offset+1 maka offset ditambah 1
vi. Untuk laTracers yang memiliki nilai laTracers lebih dari (maxheigth-offset) maka diubah menjadi hasil maxheigth-offset
vii. Untuk setiap piksel LA pada koordinat laTracers, x diubah menjadi 0
28
8. Pelacakan dari citra kanan ke citra kiri Buat variabel seperti pada Langkah 6
Lakukan perulangan dari x = jumlah kolom sampai 1
i. Buat variabel b1 berisi nilai piksel Blurring Image pada koordinat ((laTracers+penyeimbang) , x)
ii. Buat variabel b2 berisi nilai piksel Blurring Image pada koordinat ((laTracers-penyeimbang) , x)
iii. Untuk laTracers yang memiliki nilai b1 kurang dari b2 maka ditambah 1 setiap nilainya
iv. Untuk laTracers yang memiliki nilai b1 lebih dari b2 maka dikurang 1 setiap nilainya
v. Untuk laTracers yang memiliki nilai laTracers kurang dari offset+1 maka offset ditambah 1
vi. Untuk laTracers yang memiliki nilai laTracers lebih dari (maxheigth-offset) maka diubah menjadi hasil maxheigth-offset
vii. Untuk setiap piksel LA pada koordinat laTracers, x diubah menjadi 0
Berikut adalah pseudocode untuk menjelaskan algoritma pelabelan pelacak area baris yang digunakan:
• Pelabelan area baris (LLA)
1. Gunakan fungsi bwlabel Matlab untuk pelabelan LLA 2. Buat tabel penyelidikan untuk label LLA pada langkah 1
a. Buat tabel matriks zeros berukuran jumlah label x 3 b. Lakukan perulangan dari k sampai jumlah label
• Cari koordinat dari baris dan kolom pada label k • Simpan label k pada tabelLLA(k,1)
29
• Simpan nilai maksimum dari tinggi dikurang minimum tinggi ke tabelLLA(k,2)
• Simpan nilai maksimum dari lebar dikurang minimum lebar ke tabelLLA(k,3)
• Akhiri perulangan 3. Hapus area kecil
a. Hitung jumlah baris dan kolom dari LLA b. Buat variabel LLA_baru = LLA
c. Kuadratkan tinggi karakter
d. Lakukan perulangan dari j = 1 sampai sejumlah tabel i. Buat variabel untuk menampung tabelLLA(i,3) ii. Jika langkah i. bernilai <= tinggi karakter kuadrat,
maka
o Lakukan perulangan baris
▪ Lakukan perulangan kolom
• Jika LLA(baris,kolom) == i, mak` • LLA_baru(baris,kolom) == 0 • Akhiri perulangan o Akhiri perulangan e. Akhiri perulangan
Berikut adalah pseudocode untuk menjelaskan algoritma pelabelan pelacak area baris yang digunakan:
1. Buat variabel RES berisi hasil pelabelan pelacak area baris (LLA)
2. Buat variabel logicalIn berisi 1-hasil reduksi (In) dan dikonversi ke logical
30
4. Buat tabel penyelidikan untuk RES
a. Buat tabel matriks zeros berukuran jumlah label x 3 b. Lakukan perulangan dari k sampai jumlah label
i. Cari koordinat dari baris dan kolom pada label k ii. Simpan label k pada tabelRES(k,1)
iii. Simpan nilai maksimum dari tinggi dikurang minimum tinggi ke tabelRES(k,2)
iv. Simpan nilai maksimum dari lebar dikurang minimum lebar ke tabelRES(k,3)
v. Akhiri perulangan 5. Hapus objek kecil
a. Hitung jumlah baris dan kolom dari RES b. Buat variabel RES_baru = RES
c. Lakukan perkalian tinggi karakter dengan log(tinggi karakter) dan simpan ke variabel lh_log
d. Lakukan perulangan dari i = 1 sampai sejumlah tabel i. Buat variabel untuk menampung tabelRES(i,3) ii. Jika langkah i. bernilai <= lh_log, maka
o Lakukan perulangan baris
▪ Lakukan perulangan kolom
• Jika RES(baris,kolom) == i, mak` • RES_baru(baris,kolom) == 0 • Akhiri perulangan o Akhiri perulangan e. Akhiri perulangan
31 3.3.3. Evaluasi Kinerja Sistem
Dalam melakukan evaluasi kinerja sistem, dilakukan perhitungan secara manual mencari jumlah objek setiap baris untuk citra hasil tahap preprocessing, perhitungan dengan mengggunakan fungsi bwconncomp pada MATLAB untuk menghitung jumlah objek untuk setiap hasil segmentasi oleh sistem, dan perhitungan secara manual untuk mencarijumlah objek yang sesuai antara jumlah objek setiap baris untuk citra hasil tahap preprocessing dan jumlah objek untuk setiap hasil segmentasi oleh sistem. Dari perhitungan tersebut, maka dilakukan perhitungan untuk Detection Rate, Recognition
Accuracy, dan Performance Metric.
3.4. Perancangan Antar Muka Alat Uji
Prototype sistem segmentasi baris citra daun lontar aksara kuno
menggunakan metode Shredding Text yang akan dibangun memiliki desain
interface seperti pada gambar dibawah ini.
32
Berikut penjelasan mengenai Gambar 3.5. Prototype Rancangan Antar Muka Alat Uji: 1. Axes1, digunakan untuk menampilkan logo Universitas Sanata Dharma
2. Axes7, digunakan untuk menampilkan citra masuk / citra asli 3. Axes6, digunakan untuk menampilkan citra hasil preprocessing 4. Axes4, digunakan untuk menampilkan citra Blurring Image 5. Axes9, digunakan untuk menampilkan citra hasil LA
6. Axes5, digunakan untuk menampilkan citra hasil segmentasi 7. Push button browse, digunakan untuk memilih file citra 8. Push button proses, digunakan untuk memproses sistem
3.5. Spesifikasi Perangkat Keras dan Perangkat Lunak
Berikut merupakan spesifikasi perangkat keras dan perangkat lunak yang digunakan penulis dalam melakukan pembangunan dan pengujian sistem yang dibuat:
3.5.1. Perangkat Keras (Hardware)
Tabel 3.1. Spesifikasi Perangkat Keras RAM 8.00 GB
Tipe Sistem Sistem Operasi 64-bit Harddisk 1 TB
33 3.5.2. Perangkat Lunak (Software)
Tabel 3.2. Spesifikasi Perangkat Lunak Sistem Operasi
Windows 10
Program Pengembang Alat Uji
Matlab 2014b
Program Pendukung Alat Uji
34 BAB IV
HASIL DAN PEMBAHASAN
4.1.Data Masukan
Data masukan untuk pengujian didapatkan dari Perpustakaan Universitas Sanata Dharma Yogyakarta. Data diambil menggunakan Kamera Canon EOS 600D dengan jarak pengambilan 30 cm. Data yang diambil sebanyak 10 citra daun lontar aksara kuno. Berikut adalah citra yang telah diambil:
Gambar 4.1. Data Citra Asli
Setelah data telah diambil dan disimpan, dilakukan proses cropping atau pemotongan manual menggunakan Adobe Photoshop CS6. Adapun hasil proses pemotongan yang telah dilakukan sekaligus penamaan untuk setiap file:
Gambar 4.2. Data Citra Hasil Pemotongan
4.2.Preprocessing
Seperti yang dapat dilihat pada Gambar 3.3 yaitu Gambar Diagram Proses
Preprocessing, penelitian ini melakukan preprocessing antara lain grayscaling,
binerisasi, reduksi noise, mencari tinggi karakter, dan blurring image. Berikut adalah hasil percobaan dan analisis yang telah dilakukan:
35 4.2.1. Baca file citra daun lontar
Langkah pertama adalah baca file citra daun lontar dilakukan menggunakan fungsi imread yang terdapat pada MATLAB.
Gambar 4.3. Hasil Baca File kuno 1.jpg
Gambar 4.3 merupakan citra kuno 1.jpg yang akan menjadi contoh masukan kedalam sistem. Citra yang digunakan merupakan sebuah citra yang berukuran 495 x 2544 dengan keping 3.
4.2.2. Grayscaling
Data yang telah dijadikan masukan kemudian diubah menjadi citra berskala keabuan. Proses ini disebut dengan grayscaling. Grayscaling dilakukan menggunakan fungsi rgb2gray()pada Matlab.
36
Gambar 4.4. Hasil Proses Grayscaling
4.2.3. Binerisasi
Proses binerisasi merupakan proses dimana citra berskala abu – abu diubah menjadi citra biner atau hitam putih. Proses ini dilakukan untuk memisahkan objek citra dan latar belakang citra. Untuk proses binerisasi dilakukan dengan menggunakan binerisasi metode Sauvola menggunakan
default parameter.
Berikut adalah code yang digunakan:
gambar_asli=imread('C:\Users\asus\Desktop\Skripsi\New folder\kuno 1.jpg');
gambar_gray=rgb2gray(gambar_asli);
gambar_sauvola=(sauvola(gambar_gray,[30 30], 0.15)); imshow(gambar_sauvola)
37
Gambar 4.5. Hasil Proses Binerisasi
Jika Gambar 4.5. diperbesar maka masih terdapat noise atau objek yang tidak dibutuhkan. Noise dapat dilihat seperti dibawah ini:
Gambar 4.6. Contoh Noise
4.2.4. Reduksi Noise
Reduksi Noise dalam penelitian ini menggunakan 2 langkah, yang pertama adalah menggunakan fungsi Matlab yaitu bwareaopen untuk membantu mempercepat komputasi dan menggunakan penyelidikan terdahap tabel yang dibuat. Penyelidikan yang dilakukan dibagi menjadi 2 tahapan yaitu membuat tabel yang berisikan label, tinggi dan lebar label, dan fungsi
38
menghapus noise itu sendiri. Berikut adalah citra hasil binerisasi setelah dikenai fungsi bwareaopen.
Gambar 4.7. Hasil Proses Reduksi Noise Memakai bwareaopen
Setelah dilakukan reduksi noise menggunakan fungsi bwareaopen dari Matlab, dilakukan proses reduksi noise tahap 2 yaitu dengan menggunakan penyelidikan untuk setiap objek. Reduksi noise tahap 2 dilakukan dengan 2 tahapan yaitu membentuk tabel yang berisikan label beserta tinggi dan lebarnya, dan yang berikutnya menghapus noise itu sendiri.
Berikut merupakan implementasi dari algoritma yang telah dibuat:
function [ tabel,tinggimin,lebarmin,stdevtinggi,stdevlebar] = tabelReduksiNoise( label ) tabel=zeros(max(label(:)),3); for k=1 : max(label(:)) [r,c] = find(label==k); tabel(k,1) = k;
tabel(k,2) = (max(r) - min(r))+1; tabel(k,3) = (max(c) - min(c))+1;
end
tinggimin=min(tabel(:,2)); lebarmin=min(tabel(:,3)); stdevtinggi=std(tabel(:,2)); stdevlebar=std(tabel(:,3));
39
end
Gambar 4.8. Screenshoot Tabel Hasil Penyelidikan Label
Gambar 4.8 merupakan tabel hasil dari perhitungan sistem yang telah dilakukan. Baris 1 merupakan label, baris 2 merupakan tinggi label, dan baris 3 merupakan lebar label. Setelah didapatkan tabel penyelidikan, dilakukan penghapus
noise yang disesuasikan dengan ketentuan nilai kewajaran tinggi dan lebar label.
Berikut merupakan implementasi code yang dilakukan:
function [ labelBaru ] = hapusnoise
(label,tabel,tinggimin,lebarmin,stdevtinggi,stdevlebar) [baris, kolom] = size(label);
labelBaru = label;
for i = 1 : length(tabel) tinggiLabel = tabel(i,2); lebarLabel = tabel(i,3);
40
wajar2=lebarLabel - stdevlebar + lebarmin; if(wajar1<0) for j =1 : baris for k = 1 : kolom if(label(j,k) == i) labelBaru(j,k) = 0; end end end end if(wajar2<0) for j =1 : baris for k = 1 : kolom if(label(j,k) == i) labelBaru(j,k) = 0; end end end end end end
Berikut adalah hasil dari tahap reduksi noise:
41 4.2.5. Mencari Tinggi Karakter
Algoritma untuk mencari tinggi karakter yang telah dirancang diimplementasikan kedalam bentuk code. Sebelum dilakukan pencarian terhadap tinggi karakter dilakukan proses konversi hasil reduksi noise menjadi citra bertipe logical.
Berikut adalah implementasi dari algoritma yang telah dibuat:
function tinggi = cariTinggiKarakter( In )
[label]=bwlabel(In);
tabel=zeros(max(label(:)),3);
for k=1 : max(label(:))
[r,c] = find(label==k); tabel(k,1) = k;
tabel(k,2) = (max(r) - min(r)); tabel(k,3) = max(c) - min(c);
end
tinggi=mode(tabel(:,2));
end
Gambar 4.10. Screenshot Tabel Hasil Pencarian Tinggi Label
Gambar 4.9. merupakan kumpulan tinggi untuk setiap label yang telah dicari. Nilai 34 didapatkan dengan cara menggunakan menghitung nilai modus atau nilai yang paling banyak keluar dari tabel tersebut.
42
4.2.6. Blurring Image
Blurring image merupakan tahap lanjutan yang akan dilakukan setelah proses
reduksi noise dan pencarian tinggi karakter dilakukan. Berikut merupakan implementasi dari algoritma yang telah dibuat:
function res=flatBlur(in,lh) vwindow=ceil(lh*0.8); hwindow=ceil(lh*8); if(mod(vwindow,2)~=0) vwindow=vwindow+1; end if(mod(hwindow,2)~=0) hwindow=hwindow+1; end tmpin=zeros(size(in)+[vwindow hwindow]); tmpin(1+vwindow/2:end-vwindow/2,1+hwindow/2:end-hwindow/2)=in; summed=cumsum(cumsum(tmpin,1),2); summed1=summed(vwindow+1:end,hwindow+1:end); summed2=summed(1:end-vwindow,1:end-hwindow); summed3=summed(1+vwindow:end,1:end-hwindow); summed4=summed(1:end-vwindow,hwindow+1:end); res=summed1+summed2-summed3-summed4; res=res./((vwindow+1)*(hwindow+1)); end
43
Gambar 4.11. Hasil Blurring Image
Gambar 4.10. merupakan hasil Blurring Image yang telah dilakukan. Gambar yang terlihat seperti putih samar diatas merupakan hasil perhitungan dari algoritma yang dipakai. Adapun contoh tabel hasil perhitungan:
44 4.3.Pencarian Jalur Pelacak
4.3.1. Pencarian Jalur Pelacak LA
Hasil akhir dari pencarian jalur pelacak LA akan membentuk garis yang terbentang dari sisi kiri citra hingga sisi kanan citra. Pencarian ini dilakukan dengan mencari jalur yang dimulai dari salah satu sisi citra menuju sisi lain, kemudian dilanjutkan sebaliknya.
Berikut adalah implementasi algoritma yang telah dibuat:
function [LA]=cariLA(b,lh) LA=logical(ones(size(b))); [height,width]=size(b); minHeight=ceil(lh./2+1); offset=ceil(lh./2); maxHeight=height-ceil(lh./2+1); laTracers=minHeight:maxHeight; for x=1:width b1=b(laTracers+offset,x); b2=b(laTracers-offset,x); laTracers(b1<b2) = laTracers(b1<b2)+1; laTracers(b1>b2) = laTracers(b1>b2)-1; laTracers(laTracers<offset+1)=offset+1; laTracers(laTracers>maxHeight-offset)=maxHeight-offset; LA(laTracers,x)=0; end laTracers=minHeight:maxHeight; for x=width:-1:1 b1=b(laTracers+offset,x); b2=b(laTracers-offset,x); laTracers(b1<b2) = laTracers(b1<b2)+1; laTracers(b1>b2) = laTracers(b1>b2)-1; laTracers(laTracers<offset+1)=offset+1; laTracers(laTracers>maxHeight-offset)=maxHeight-offset; LA(laTracers,x)=0; end
45
end
Gambar 4.13. Hasil Pelacakan LA
Gambar 4.12. merupakan jalur pelacak yang didapatkan dari sistem. Terlihat pada gambar, terdapat garis yang membentang dari sisi kiri citra menuju sisi kanan citra. Garis yang membentang terlihat seperti terputus – putus dikarenakan ukuran citra yang terlalu besar. Jika diperbesar, maka garis – garis tersebut akan membentuk garis yang terhubung seperti dibawah ini.
Gambar 4.14. Hasil Bagian Pelacakan LA 4.3.2. Pelabelan Jalur Pelacak LA
Pelabelan untuk LA akan dideklarasikan sebagai LLA. Dalam pelabelan LA, proses juga akan dilakukan filter untuk area – area baris kecil. Tahap
46
pertama dalam pelabelan adalah pelabelan itu sendiri menggunakan fungsi
bwlabel dari Matlab. Tahap kedua adalah tahap untuk membentuk sebuah tabel
penyelidikan yang berisi label beserta tinggi dan lebarnya. Tahap ketiga merupakan tahap untuk filter area – area yang mempunyai baris yang kecil. Berikut adalah implementasi code untuk pelabelan LLA:
[LLA,jumlah_LA]=bwlabel(LA,4);
Jumlah label awal yang terdeteksi sebelum dilakukan proses filter area baris kecil mendapatkan jumlah label sebanyak 27 label. Jumlah ini dapat berkurang ataupun tetap setelah dilakukan proses filter area baris kecil. Berikut adalah implementasi algoritma proses untuk mendapatkan tabel penyelidikan.
function [tabelLLA]= selidikVerySmallAreas(LLA) tabelLLA=zeros(max(LLA(:)),3); for k=1 : max(LLA(:)) [r, c] = find(LLA==k); tabelLLA(k,1) = k;
tabelLLA(k,2) = max(r) - min(r); tabelLLA(k,3) = max(c) - min(c);
end end
Berikut merupakan screenshot tabel hasil penyelidikan:
47
Gambar 4.14. memuat informasi yang dapat digunakan dalam proses selanjutnya proses menghapus atau filter area – area yang mempunyai baris kecil. Dalam prosesnya dilakukan ketentuan untuk setiap label yang mempunyai ukuran baris lebih kecil dari huruf (lh^2) maka label tersebut akan dihapus. Berikut implementasi dari algoritma yang telah dibuat:
function [ LLA_baru ] = hapusSmallAreas(LLA,tabelLLA,lh)
[baris, kolom] = size(LLA); LLA_baru = LLA; lh_kuadrat=lh^2; for i = 1 : length(tabelLLA) letter = tabelLLA(i,3); if(letter<=lh_kuadrat) for j =1 : baris for k = 1 : kolom if(LLA(j,k) == i) LLA_baru(j,k) = 0; end end end end end end [labelLLA,jumlah_LA_baru]=bwlabel(LLA_baru,4);
48
Berikut adalah tabel penyelidikan yang dilakukan:
Gambar 4.16. Screenshot Tabel LLA Hasil Penyelidikan Setelah Difilter Dari tabel diatas diperoleh lebar label yaitu pada tabel kolom ke 3. Hasil tersebut dari 27 label menjadi 6 label dikarenakan tidak boleh ada garis yang lebih kecil dari huruf. Kolom ke 3 tersebut dibandingkan dengan LH kuadrat yang diperoleh sebesar 1156. Dikarenakan label mempunyai kolom kurang dari 1156 maka label beserta isinya dihapus.
4.4.Menampilkan hasil segmentasi
4.4.1. Menggabungkan citra hasil preprocessing (setelah reduksi noise) dengan hasil pencarian pelacak area baris yang telah dilakukan pelabelan (Tahap 4.3). Berikut adalah implementasi yang telah dilakukan kedalam code:
res=LLA_baru;
res(logical(1-In))=0;
Tahap pertama adalah membuat variabel res untuk menampung hasil pencarian pelacak area baris (LLA_baru). Tahap kedua adalah melakukan proses konversi hasil citra hasil preprocessing (In) yang telah dilakukan fungsi invers kemudian dikonversi menjadi logical.
49 4.4.2. Menghapus area untuk objek kecil
Tahap ini dibagi menjadi 2 tahap yaitu melakukan pencarian tinggi dan lebar untuk semua objek dan melakukan penghapusan objek kecil. Berikut adalah
implementasi dari algoritma yang telah dibuat untuk tahap pertama:
function [tabelres]=tabelSelidikRES(res) tabelres=zeros(max(res(:)),3); for k=1 : max(res(:)) [r, c] = find(res==k); if(r~=0) if(c~=0) tabelres(k,1) = k;
tabelres(k,2) = max(r) - min(r); tabelres(k,3) = max(c) - min(c); end
end end end
Berikut adalah hasil dari tabel yang telah dibuat:
Gambar 4.17. Screenshot Tabel Penyelidikan Area Objek Kecil
Setelah dilakukan pembuat tabel penyelidikan, dilakukan tahap selanjutnya yaitu menghapus objek – objek yang kecil. Penghapusan ini dilakukan dengan menggunakan nilai ambang batas yang didapatkan dari LH * log(LH).
50
function [ res_baru ] = hapusSmallTextLines(res,tabel_res,lh) [baris, kolom] = size(res);
res_baru = res; lh_log=(lh*log(lh)); for i = 1 : length(tabel_res) letter = tabel_res(i,3); if(letter<=lh_log) for j =1 : baris for k = 1 : kolom if(res(j,k) == i) res_baru(j,k) = 0; end end end end end end
Berikut adalah hasil dari proses penghapusan untuk objek kecil:
Gambar 4.18. Screenshot Tabel Hasil Setelah Proses Penghapusan Objek Kecil
4.4.3. Menampilkan Hasil Segmentasi Perbaris
Menampilkan segmentasi perbaris dilakukan dengan menggunakan bantuan fungsi find, dan fungsi bwselect pada MATLAB. Berikut adalah implementasinya:
BW=cell(max(res_baru(:)),1);
51 [r,c]=find(res_baru==i); if(r~=0) BW{i,1}=bwselect(res_baru,c,r); figure, imshow(~cell2mat(BW(i,1))); end end
Gambar 4.19. Hasil Segmentasi 1
Gambar 4.20. Hasil Segmentasi 2
52
Gambar 4.22. Hasil Segmentasi 4
Gambar 4.17. Gambar 4.18, Gambar 4.19, dan Gambar 4.20 adalah hasil menampilkan segmentasi baris dari algoritma yang telah dibuat .
4.5.Evaluasi Kinerja Sistem
Proses pengukuran kinerja dari algoritma didasarkan pada penghitungan jumlah kecocokan antara entitas yang terdeteksi oleh algoritma dan entitas dengan perhitungan secara manual (I. Philips, dkk, 1999).
Langkah yang yang dilakukan adalah menghitung entitas atau objek pada citra hasil preprocessing yaitu citra hasil binerisasi yang telah direduksi noise. Penghitungan objek dilakukan secara manual dengan menghitung jumlah objek secara baris perbaris disimbolkan dengan N. Kemudian menghitung objek hasil dari proses segmentasi menggunakan fungsi bwlabel pada MATLAB disimbolkan dengan M. Perhitungan kecocokan antar entitas dilakukan secara manual dengan cara one-to-one matches atau menghitung jumlah yang sesuai disimbolkan dengan
53
Tabel 4.1. Tabel Evaluasi Sistem
No. Data Bar is ke- N M o2 o Akurasi Baris (%) DR (%) RA (%) FM (%) 1 Kuno 1.jpg 1 59 6 0 59 100 91,4414 95,2569 93,3102 2 51 6 1 57 3 57 6 8 59 4 55 6 4 58 2 Kuno 2.jpg 1 46 5 0 46 100 95,9391 92,3423 94,1064 2 57 6 5 59 3 46 5 3 49 4 48 5 4 52 3 Kuno 3.jpg 1 41 5 8 50 100 95,939 92,342 94,106 2 51 6 0 42 3 52 5 9 48 4 55 5 9 58
54 4 Kuno 4.jpg 1 37 4 9 42 100 86,875 88,725 87,79 2 40 5 2 40 3 45 5 9 48 4 38 4 4 38 5 Kuno 5.jpg 1 44 5 3 46 100 93,333 87,273 90,201 2 45 5 8 46 3 46 6 1 54 4 41 4 8 46 6 Kuno 6.jpg 1 48 5 9 55 100 95,215 88,306 91,631 2 53 6 3 58 3 57 6 6 60 4 52 6 0 55 7 Kuno 7.jpg 1 50 5 5 54 100 85,185 95,595 90,09 2 52 6 5 63
