DAFTAR REFERENSI. xii

(1)

xii

DAFTAR REFERENSI

[AMI98] Amin, A., Singh, S. (1998). Recognition of Hand-printed Chinese Characters using Decision Trees/Machine Learning C4.5 System. Pattern Analysis and Applications Vol. 1 Issue 2 Pp. 130-141

[AMI99] Amin, A., Singh, S. (1999). Recognition of Hand-Printed Characters via Induct-RDR.ICDAR 1999.

[COM89] Compton, P., Jansen, R. (1989). A Philosophical Basis for Knowledge Acquisition. Garvan Institute of Medical Research Technical Report.

[COM00] Compton, P., Richards, D. (2000). Generalising Ripple-Down Rules. Knowledge Engineering and Knowledge Management: Methods, Models, Tools, Eds. R. Dieng; O. Corby, Juan-les-Pins France. Berlin, Springer. pp380-386.

[FUK00] Fukushima, T., Nakagawa, M. (2000). On-line Writing-box-free Recognition of Handwritten Japanese Text Considering Character Size Variations.

[GAI92] Gaines, B. R., Compton, P. J. (1992). Induction of Ripple Down Rules. Proceedings of the 5th_{Australian Joint Conference on Artificial Intelligence, Hobart, Tasmania.}

Singapore, World Scientific. 349-354.

[ISH99] Ishigaki, K., Tanaka, H., Iwayama, N. (1999). Interactive Character Recognition for Pen-based Technology. Fujitsu Sci. Tech Journal, 35, 2, pp. 191-201.

[JAE03] Jaeger, S., Jaeger, S., Liu, C.L., Nakagawa, M. (2003). The State of The Art in Japanese Online Handwriting Recognition Compared to Techniques in Western Handwriting Recognition. IJDAR (2003) vol. 6 pp.75-78.

[LIT96] Littin, J. (1996). Thesis. New Zealand, University of Waikato.

[LIU04] Liu, C.L., Jaeger, S., Nakagawa, M. (2004). Online Recognition of Chinese Characters: The State of The Art. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 26 No.2, February 2004.

[MIT97] Mitchell, T. M. (1997). Machine Learning. Singapore, McGraw-Hill Company. [NAK96a] Nakagawa, M., Oguni, T., Homma, A. (1996). A Coarse Classification of On-Line

Handwritten Character. Proc. Fifth International Workshop Frontiers Handwriting Recognition (IWFHR’96), pp. 417-420.

(2)

xiii [NAK96b] Nakagawa, M., Akiyama, K., Tu, L. V., Homma, A., Kigashiyama, T. (1996).

Robust and Highly Customizable Recognition of On-Line Handwritten Japanese Characters. 13th_{International Conference on Pattern Recognition (ICPR'96) Vol. 3}

p. 269. http://www.tuat.ac.jp/~nakagawa/Report/icpr96/icpr96.htm

[NAK97] Nakagawa, M. et al. On-line Handwritten Character Pattern Database Sampled in a Sequence of Sentences without Any Writing Instructions. Fourth International Conference on Document Analysis and Recognition (ICDAR), Ulm (Germany), pages 376-381.

[ROW02] Rowley, H.A., Goyal, M., Benett, J. (2002). The Effect of Large Training Set Sizes on Online Japanese Kanji and English Cursive Recognizers. Proceedings of the Eighth International Workshop on Frontiers in Handwriting Recognition. IEEE Computer Society.

[SUD04] Sudjianto, Dahidi, A. (2004). Pengantar Linguistik Bahasa Jepang. Jakarta, Kesaint Blanc.

[TAP90] Tappert, C.C., Suen, C.Y., Wakahara, T. (1990). The State of The Art in On-Line Handwriting Recognition. IEEE Transaction on Pattern Analysis and Machine Intelligence, Vol. 12, No. 8.

[YHA81] Yhap, E. F., Greanias, E. C. (1981). An On-Line Chinese Character Recognition System. IBM Journal Research Department Vol. 25 No. 3.

[VUO02] Vuori, V., Aksela, M., Girdziusas, R., Laaksonen, J., Oja, E. (2002). On-line Recogniton of Handwritten Characters.

[WIT00] Witten, I. H., Frank, E. (2000). Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations. USA, Morgan Kaufmann Publishers.

(3)

A-1

LAMPIRAN A

FEATURE EXTRACTION PADA 46 SILABEL DASAR HURUF KATAKANA

Tabel A-1 Jenis dan urutan segmen dan posisi relatif antar segmen

Huruf Urutan dan jenis segmen Posisi relatif antar segmen

Lafal Katakana

Jumlah

segmen _Seg1 _Seg2 _Seg3 _Seg4 _Seg5 _{Seg2_1} _{Seg3_2} _{Seg4_3} _{Seg5_4}

A ア 3 R-Hor D-Slash D-Slash - - S-East West - -

I イ 2 D-Slash D-Ver - - - Center - - -

U ウ 4 D-Ver D-Ver R-Hor D-Slash - S-West East South -

E エ 3 R-Hor D-Ver R-Hor - - South South - -

O オ 4 R-Hor D-Ver U-Back D-Slash - Center West West -

Ka カ 3 R-Hor D-Slash D-Slash - - S-East West - -

Ki キ 3 R-Hor R-Hor D-Back - - South Center - -

Ku ク 3 D-Slash R-Hor D-Slash - - East South - -

Ke ケ 3 D-Slash R-Hor D-Slash - - Center South - -

(4)

A-2

Lafal Katakana

Jumlah

Sa サ 4 R-Hor D-Ver D-Ver D-Slash - Center East South -

Shi シ 3 D-Back D-Back U-Slash - - North S-East - -

Su ス 3 R-Hor D-Slash D-Back - - South Center - -

Se セ 4 R-Hor D-Slash D-Ver R-Hor - S-East East South -

So ソ 2 D-Back D-Slash - - - East - - -

Ta タ 4 D-Slash R-Hor D-Slash D-Back - East South Center -

Chi チ 3 D-Slash R-Hor D-Slash - - South Center - -

Tsu ツ 3 D-Back D-Back D-Slash - - East East - -

Te テ 3 R-Hor R-Hor D-Slash - - South South - -

To ト 2 D-Ver D-Back - - - Center - - -

Na ナ 2 R-Hor D-Slash - - - Center - - -

Ni ニ 2 R-Hor R-Hor - - - South - - -

Nu ヌ 3 R-Hor D-Slash D-Back - - S-East Center - -

(5)

A-3

Lafal Katakana

Jumlah

No ノ 1 D-Slash - - - -

Ha ハ 2 D-Slash D-Back - - - East - - -

Hi ヒ 3 D-Slash D-Ver R-Hor - - Center S-East - -

Fu フ 2 U-Slash D-Slash - - - S-East - - -

He ヘ 2 U-Slash D-Back - - - East - - -

Ho ホ 5 R-Hor D-Ver U-Back D-Slash D-Slash Center N-West East -

Ma マ 3 U-Slash D-Slash D-Back - - S-East S-West - -

Mi ミ 3 D-Back D-Back D-Back - - South South - -

Mu ム 3 D-Slash U-Slash D-Back - - S-East Center - -

Me メ 2 D-Slash D-Back - - - Center - - -

Mo モ 4 R-Hor R-Hor D-Ver R-Hor - South Center S-East -

Ya ヤ 3 U-Slash D-Slash D-Back - - South West - -

Yu ユ 3 R-Hor D-Slash R-Hor - - South Center - -

(6)

A-4

Lafal Katakana

Jumlah

Ra ラ 3 R-Hor R-Hor D-Slash - - South South - -

Ri リ 3 D-Ver D-Ver D-Slash - - East South - -

Ru ル 3 D-Slash D-Ver U-Slash - - East S-East - -

Re レ 2 D-Ver U-Slash - - - East - - -

Ro ロ 4 D-Ver R-Hor D-Slash R-Hor - East South South -

Wa ワ 3 D-Ver R-Hor D-Slash - - East South - -

Wo ヲ 3 R-Hor R-Hor D-Slash - - South East - -

(7)

B-1

LAMPIRAN B

FEATURE EXTRACTION PADA 46 SILABEL DASAR HURUF KATAKANA

Tabel B-1 Kondisi Perpotongan antar Segmen

Huruf Urutan dan jenis segmen Perpotongan antar segmen

Lafal Katakana

Jumlah

A ア 3 R-Hor D-Slash D-Slash - - Succ. Succ. - -

I イ 2 D-Slash D-Ver - - - Cross - -- -

U ウ 4 D-Ver D-Ver R-Hor D-Slash - No-Isect Cross Succ. -

E エ 3 R-Hor D-Ver R-Hor - - Cross Cross - -

O オ 4 R-Hor D-Ver U-Back D-Slash - Cross Succ. No-Isect -

Ka カ 3 R-Hor D-Slash D-Slash - - Succ. No-Isect - -

Ki キ 3 R-Hor R-Hor D-Back - - No-Isect Cross - -

Ku ク 3 D-Slash R-Hor D-Slash - - Cross Succ. - -

Ke ケ 3 D-Slash R-Hor D-Slash - - Cross Cross - -

(8)

B-2

Lafal Katakana

Jumlah

Sa サ 4 R-Hor D-Ver D-Ver D-Slash - Cross Cross - -

Shi シ 3 D-Back D-Back U-Slash - No-Isect No-Isect - -

Su ス 3 R-Hor D-Slash D-Back - - Succ. Cross - -

Se セ 4 R-Hor D-Slash D-Ver R-Hor - Succ. No-Isect Succ. -

So ソ 2 D-Back D-Slash - - - No-Isect - - -

Ta タ 4 D-Slash R-Hor D-Slash D-Back Cross Succ. Cross -

Chi チ 3 D-Slash R-Hor D-Slash - - No-Isect Cross - -

Tsu ツ 3 D-Back D-Back D-Slash - - No-Isect No-Isect - -

Te テ 3 R-Hor R-Hor D-Slash - - No-Isect Cross - -

To ト 2 D-Ver D-Back - - - Cross - - -

Na ナ 2 R-Hor D-Slash - - - Cross - - -

Ni ニ 2 R-Hor R-Hor - - - No-Isect - - -

Nu ヌ 3 R-Hor D-Slash D-Back - - Succ. Cross - -

(9)

B-3

Lafal Katakana

Jumlah

No ノ 1 D-Slash - - - -

Ha ハ 2 D-Slash D-Back - - - No-Isect - - -

Hi ヒ 3 D-Slash D-Ver R-Hor - - cross Succ. - -

Fu フ 2 U-Slash D-Slash - - - Succ. - - -

He ヘ 2 U-Slash D-Back - - - Succ. - - -

Ho ホ 5 R-Hor D-Ver U-Back D-Slash D-Slash cross Succ. No-Isect No-Isect

Ma マ 3 U-Slash D-Slash D-Back - - Succ. Cross - -

Mi ミ 3 D-Back D-Back D-Back - - No-Isect No-Isect - -

Mu ム 3 D-Slash U-Slash D-Back - - Succ. Cross - -

Me メ 2 D-Slash D-Back - - - Cross - - -

Mo モ 4 R-Hor R-Hor D-Ver R-Hor - No-Isect Cross Succ. -

Ya ヤ 3 U-Slash D-Slash D-Back - - Succ. No-Isect - -

Yu ユ 3 R-Hor D-Ver R-Hor - - Succ. Cross - -

(10)

B-4

Lafal Katakana

Jumlah

Ra ラ 3 R-Hor R-Hor D-Slash - - No-Isect Succ. - -

Ri リ 3 D-Ver D-Ver D-Slash - - No-Isect Succ. - -

Ru ル 3 D-Slash D-Ver U-Slash - - No-Isect Succ. - -

Re レ 2 D-Ver U-Slash - - - Succ. - - -

Ro ロ 4 D-Ver R-Hor D-Slash R-Hor - Cross Succ. Cross -

Wa ワ 3 D-Ver R-Hor D-Slash - - Cross Succ. - -

Wo ヲ 3 R-Hor R-Hor D-Slash - - No-Isect Cross - -

(11)

C-1

LAMPIRAN C

DIAGRAM KELAS

Gambar C-1 Diagram Kelas KaRe kare datastruct irdr preprocessor KatakanaLetter -code: int

+KatakanaLetter(unicode: int): KatakanaLetter +get(): int

+getImages(): KatakanaDatabase[] +addImage(image: ImageData) +spell(): String +spell(code: int): String

KatakanaDatabase +filename: String

+path: String +maxSegmentSize: int +nbImages: int

+KatakanaDatabase(input: File): KatakanaDatabase +append(newdata: KatakanaDatabase) +size(): int +maxSegmentSize(): int -processRawData() +summary(): String ImageData +row: int +column: int +points: Point[] +rescaled: Point[]

+ImageData(letter: KatakanaLetter): ImageData +getContainer(): KatakanaLetter +getRow(): int +getColumn(): int +getStrokes(): ImageStroke[] +getStrokeAt(idx: int): ImageStroke +getPoints(): Point[] +getRescaled(): Point[] +setRow(r: int) +setColumn(col: int) +addStroke(stroke: ImageStroke) +addPoint(point: Point) +setRescaled(points: Point[]) ImageSegment -startPoint: Point -endPoint: Point -trajectory: Point -inclination: double

+ImageSegment(image: ImageData): ImageSegment +get(): ImageData +getLetterContainer(): KatakanaLetter +getStartPoint(): Point +getEndPoint(): Point +getTrajectory(): Point[] +getCategory(): SegmentCategory +getInclination(): double +setStartPoint(start: Point) +setEndPoint(end: Point) +add(p: Point) +setCategory(category: SegmentCategory) +setInclination(degree: double) ImageStroke -startPoint: Point -endPoint: Point -trace: Point[] -rescaled: Point[] -reposed: Point[]

+ImageStroke(img: ImageData): ImageStroke +getContainer(): ImageData +getTraces(): Point[] +getSegments(): ImageSegment[] +getTraceAt(idx: int): Point +getStartPoint(): Point +getEndPoint(): Point +getNormalized(): Point[] +getRescaled(): Point[] +setStartPoint(start: Point) +setEndPoint(end: Point) +add(point: Point) +add(segment: ImageSegment) +setNormalized(normalized: Point[]) +setRescaled(rescaled: Point[]) +mergeNeighbouringSegments() +removeSmallSegments() +letters 1..* SegmentCategory<<enumeration>> +UNDEFINED +RIGHTHORIZONTAL +LEFTHORIZONTAL +TOPVERTICAL +BOTTOMVERTICAL +TOPBACKSLASH +BOTTOMBACKSLASH +TOPSLASH +BOTTOMSLASH

-SegmentCategory(nominal: String, numeric: int): SegmentCategory +numeric(): int

+nominal(): String

+determineByNumeric(numeric: int): SegmentCategory +determineByNominal(nominal: String): SegmentCategory

Side <<enumeration>> +NORTH +NORTHEAST +EAST +SOUTHEAST +SOUTH +SOUTHWEST +WEST +NORTHWEST +CENTER -Side(value: String): Side +nominal(): String IntersectionType<<enumeration>> +NONE

+CROSS +SUCCESSIVE

-IntersectonType(value: String): IntersectionType +nominal(): String -category 1 -images -container 1..*1 -letterContainer1 -imageContainer 1 -container 1 -segments 1..* Parser +Parser(uri: String): Parser

+readfile()

+readFile(uri: String): KatakanaLetter[] -isKatakana(charcode: int): boolean -isBlockHeader(line: String): boolean -getPoint(line: String): Point

-lookup(charcode: int, letters: KatakanaLetter[]): KatakanaLetter

-initStorage(letter: KatakanaLetter, charcode: int, letters: KatakanaLetter[]): ImageData -setPosition(image: ImageData, row: int, column: int)

Normalizer -FRAME_START_X: int = 20 -FRAME_START_Y: int = 40 -FRAME_STEP_X: int = 65 -FRAME_STEP_Y: int = 105 -FRAME_SIZE: int = 60 -NORMALIZATION_SIZE: int = 64 +normalize(image: ImageData) -repose(point: Point, row: int, column: int): Point -calcScale(height: int, width: int): int -scalePoint(point: Point, scale: int): Point

SegmentExtractor -THRESHOLD: double = 0.7853981633974483 +createSegment(stroke: ImageStroke): ImageSegment[] +setInfo(segment: ImageSegment)

-isOscilateBetween(f1: double, f2: double): boolean -calcInclination(segment: ImageSegment): double -calcInclination(start: Point, end: Point): double -categorizeSegment(segment: ImageSegment): double[] KatakanaDataset +name: String +featureVector: FastVector +trainingSet: Instances -nbRelationalAttributes: int = 2 +segmentAttributesNominalValue: FastVector +sideAttributesNominalValue: FastVector +intersectionAttributesNominalValue: FastVector +KatakanaDataset(data: KatakanaDatabase): KatakanaDataset

EvaluationSummary +source: String

+description: String +summary: String +time: String

+EvaluationSummary(src: String, desc: String, sum: String): EvaluationSummary +toString(): String

+source 1

weka

core classifiers rules FastVector Attribute Instance Instances Classifier Evaluation +Evaluation() +evaluateModel() +crossValidateModel() +toSummaryString() Ridor +Ridor() +setMajorityClass() +buildClassifier() +toString() ui Controller MainUI

(12)

D-1

LAMPIRAN D

SEQUENCE DIAGRAM KARE

Gambar D-1 Diagram Sekuens Membangun Dataset

: Controller : KatakanaDataset : KatakanaDatabase : Parser : KatakanaLetter : ImageData : ImageStroke ImageSegment : Normalizer : SegmentExtractor 1 : trainingSet := KatakanaDataset()

2 : handwriting := KatakanaDatabase()

3 : letters := readFile()_{4 : KatakanaLetter()} 5 : ImageData() 6 : ImageStroke() 7 : addStroke() 8 : addImage() 9 : processRawData() 10 : normalize() 11 : createSegment() 12 : mergeNeighbouringSegments() 13 : removeSmallSegments()

(13)

D-2

Gambar D-2 Diagram Sekuens Membangun Pengeahuan

: Controller : Evaluation : EvaluationSummary 1 : eval := Evaluation()

2 [option = trainset] : evaluateModel()

3 [option = cross validation] : crossValidateModel()

4 : EvaluationSummary()

5 : toSummaryString()

Gambar D-3 Diagram Sekuens Evaluasi

: Controller : KatakanaDataset : Ridor : EvaluationSummary

1 : dataset := KatakanaDataset() 2 : ridor := Ridor() 3 : setMajorityClass() 4 : buildClassifier() 5 : EvaluationSummary() 6 : toString()

(14)

E-1

LAMPIRAN E

PENGUJIAN IMPLEMENTASI KELAS KARE

Tabel E-1 Pengujian Implementasi Kelas KaRe

No. Hal yang diujikan Use case Kelas yang terlibat

Skenario pengujian Kriteria pengujian Hasil 1 Melakukan parsing

terhadap sebuah file data Mempersiapkan data Parser Semua kelas dalam package datastruct

Jalankan kelas Parser File keluaran menghasilkan huruf Katakana, image dari huruf tersebut dan posisi tiap-tiap image (baris dan kolom)

Sukses

2 Melakukan proses normalisasi posisi terhadap data huruf Katakana Mempersiapkan data Normalizer Semua kelas dalam package datastruct

Jalankan kelas Normalizer File keluaran menghasilkan data huruf Katakana dan posisi titik koordinat baru dari setiap image

(15)

E-2

Skenario pengujian Kriteria pengujian Hasil 3 Melakukan proses

normalisasi ukuran terhadap data huruf Katakana Mempersiapkan data Normalizer Semua kelas dalam package datastruct

Jalankan kelas Normalizer File keluaran menghasilkan data huruf Katakana dan titik-titik koordinat setiap image yang sudah di-rescale

Sukses

4 Melakukan proses feature extraction pada data hasil normalisasi

Mempersiapkan data Segment Extractor Semua kelas dalam package datastruct Jalankan kelas SegmentExtractor

File keluaran menghasilkan jenis segmen, relasi antar tiap dua segmen, dan kondisi perpotongan antar dua segmen dari tiap image huruf Katakana

Sukses

5 Membuka sebuah file data

Mempersiapkan data

MainUI Jalankan KaRe, klik tombol Open New, pilih sebuah file masukan dari dialog box, lalu klik Open

File dapat dibuka, pada text field filenamearea muncul lokasi direktori file

(16)

E-3

Skenario pengujian Kriteria pengujian Hasil 6 Membuka beberapa file

data Mempersiapkan data MainUI Controller Semua kelas pada package atastruct dan preprocessor

Jalankan KaRe, klik tombol Open New, pilih sebuah file masukan dari dialog box, lalu klik Open. Klik tombol Add More, pilih sebuah file, klik Open. Ulangi sebanyak jumlah file yang akan dibuka

File dapat dibuka, pada text field filenamearea terdpat lokasi direktori file-file yang dibuka

Sukses

7 Melakukan praproses pada data masukan

(satu maupun gabungan) Mempersiapkan data MainUI Controller Semua kelas pada package atastruct dan preprocessor

Jalankan KaRe, klik tombol Open New, pilih sebuah file masukan dari dialog box, lalu klik Open. Klik tombol Add More, pilih sebuah file, klik Open. Ulangi sebanyak jumlah file yang akan dibuka

File dapat dibuka, pada text field filenamearea terdpat lokasi direktori file-file yang dibuka, pada text area IRDR Output muncul hasil praproses

(17)

E-4

Skenario pengujian Kriteria pengujian Hasil 8 Melakukan

pembangunan

pengetahuan dari data masukan (satu maupun gabungan)

Membangun pengetahuan

Seluruh kelas Jalankan KaRe, buka file data masukan, klik tombol “Build RDR”

Pada text area IRDR Output muncul struktur dan ukuran pengetahuan yang berhasil dibangun (jumlah rule)

Sukses

9 Melakukan pengujian terhadap pengetahuan dari data masukan dengan menggunakan seluruh data sebagai data latih

Menguji pengetahuan

Seluruh kelas Jalankan KaRe, buka file data masukan, klik tombol Build RDR, klik tombol Evaluate

Pada textarea IRDR output muncul keterangan pengujian dan ringkasan hasil pengujian

Sukses

10 Melakukan pengujian terhadap pengetahuan dari data masukan dengan metode pengujian cross validation dan nilai fold dikosongkan

Menguji pengetahuan

Seluruh kelas Jalankan Kare, buka file data masukan, klik tombol Build/RDR, pilih mode pengujian Cross Validation dari box Test Option, text field jumlah fold tidak diisi

Muncul pesan peringatan “Invalid format”

(18)

E-5

Skenario pengujian Kriteria pengujian Hasil 11 Melakukan pengujian

terhadap pengetahuan dari data masukan dengan metode cross-validation dan nilai fold kurang dari jumlah minimal fold

Menguji pengetahuan

Seluruh kelas Jalankan Kare, buka sebuah file data masukan, klik tombol Build/RDR, pilih mode pengujian Cross Validation dari box Test Option, text field jumlah fold diisi dengan angka 1

Muncul pesan peringatan “Invalid number” dan petunjuk untuk mengisi dengan angka lebih besar dari 2

Sukses

12 Melakukan pengujian terhadap pengeahuan dari data masukan dengan metode cross-validation dan nilai fold lebih besar dari jumlah data

Menguji pengetahun

Seluruh kelas Jalankan Kare, buka sebuah file data masukan, klik tombol Build/RDR, pilih mode pengujian Cross Validation dari box Test Option, text field jumlah fold diisi dengan angka 1000

Muncul pesan peringatan “Invalid number” dan petunjuk untuk tidak mengisi dengan jumlah yang lebih besar dari jumlah data

(19)

F-1

LAMPIRAN F

PENGUJIAN PERBANDINGAN ALGORITMA PRAPROSES KARE DENGAN

PRAPROSES IDEAL

Tabel F-1 Perbandingan Urutan dan Jenis Segmen Pada Algoritma Praproses KaRe dengan Praproses Ideal

Huruf Hasil Ideal Hasil KaRe

Lafal Kat. Jml segmen

(N)

Seg1 Seg2 Seg3 Seg4 Seg5 Jml segmen

Seg1 Seg2 Seg3 Seg4 Seg5

Jml tepat benar

Akurasi (n/N)

A ア 3 R-Hor D-Slash D-Slash - - 2 D-Back D-Slash - - - 1 0,5

I イ 2 D-Slash D-Ver - - - 2 D-Slash D-Back - - - 1 0,5

U ウ 4 D-Ver D-Ver R-Hor D-Slash - 4 D-Slash D-Slash D-Back D-Slash - 1 0.25

E エ 3 R-Hor D-Ver R-Hor - - 3 R-Hor D-Slash R-Hor - - 2 0,5

O オ 4 R-Hor D-Ver U-Back D-Slash - 3 R-Hor D-Back D-Slash - - 1 0,25

Ka カ 3 R-Hor D-Slash D-Slash - - 3 R-Hor D-Slash D-Slash - - 3 1 Ki キ 3 R-Hor R-Hor D-Back - - 3 R-Hor R-Hor D-Back - - 3 1

(20)

F-2

(N)

Jml tepat benar Akurasi (n/N) Ku ク 3 D-Slash R-Hor D-Slash - - 3 D-Slash R-Hor D-Slash - - 3 1 Ke ケ 3 D-Slash R-Hor D-Slash - - 3 D-Slash R-Hor D-Slash - - 3 1

Ko コ 3 R-Hor D-Ver R-Hor - - 3

D-Back D-Slash D-Slash - - 0 0,3

Sa サ 4 R-Hor Ver Ver

D-Slash - 3 R-Hor D-Slash D-Slash - - 1 0,25 Shi シ 3 D-Back D-Back U-Slash - 3 R-Hor R-Hor U-Slash - - 1 0,3 Su ス 3 R-Hor D-Slash D-Back - - 3 R-Hor D-Slash D-Back - - 3 1 Se セ 4 R-Hor D-Slash

D-Ver R-Hor - 3 R-Hor

D-Slash D-Back - - 2 0,5 So ソ 2 D-Back D-Slash - - - 2 D-Back D-Slash - - - 2 1

(21)

F-3

(N)

Jml tepat benar Akurasi (n/N) Ta タ 4 D-Slash R-Hor D-Slash D-Back 4 D-Slash R-Hor D-Slash D-Back - 4 1 Chi チ 3 D-Slash R-Hor D-Slash - - 3 D-Slash R-Hor D-Slash - - 3 1 Tsu ツ 3 D-Back D-Back D-Slash - - 3 D-Back D-Back D-Slash - - 3 1 Te テ 3 R-Hor R-Hor D-Slash - - 3 R-Hor R-Hor D-Slash - - 3 1 To ト 2 Ver D-Back - - - 2 D-Back R-Hor - - - 0 0 Na ナ 2 R-Hor D-Slash - - - 2 R-Hor D-Slash - - - 2 1

Ni ニ 2 R-Hor R-Hor - - - 2 R-Hor R-Hor - - - 2 1

Nu ヌ 3 R-Hor D-Slash D-Back - - 3 D-Back D-Slash D-Back - - 2 0,67 Ne ネ 5 D-Back U-Slash D-Slash Ver D-Back 5 D-Back D-Back D-Slash D-Slash R-Hor 2 0,4

(22)

F-4

(N)

Jml tepat benar Akurasi (n/N) No ノ 1 D-Slash - - - - 1 D-Slash - - - - 1 1 Ha ハ 2 D-Slash D-Back - - - 2 D-Slash D-Back - - - 2 1 Hi ヒ 3 D-Slash D-Ver R-Hor - - 3 D-Slash D-Back R-Hor - - 2 0,67 Fu フ 2 R-Hor D-Slash - - - 2 D-Back D-Slash - - - 1 0,5 He ヘ 2 U-Slash D-Back - - - 2 R-Hor D-Back - - - 1 0,5 Ho ホ 5 R-Hor Ver D-Slash D-Slash - 4 R-Hor D-Slash D-Slash R-Hor - 2 0,5 Ma マ 3 R-Hor D-Slash D-Back - - 3 D-Back D-Slash D-Back - - 2 0,67

Mi ミ 3 R-Hor R-Hor R-Hor - - 3 R-Hor R-Hor R-Hor - - 3 1

Mu ム 3 D-Slash R-Hor D-Back - - 3 D-Back R-Hor D-Back - - 2 0,67

(23)

F-5

(N)

Jml tepat benar Akurasi (n/N) Me メ 2 D-Slash D-Back - - - 2 D-Slash D-Back - - - 2 1

Mo モ 4 R-Hor R-Hor D-Ver R-Hor - 4 R-Hor R-Hor

D-Slash R-Hor - 3 0,75 Ya ヤ 3 U-Slash D-Slash D-Back - - 2 R-Hor D-Back - - - 0 0 Yu ユ 3 R-Hor D-Slash R-Hor - - 3 R-Hor D-Slash R-Hor - - 3 3

Yo ヨ 4 R-Hor D-Ver R-Hor R-Hor - 3

D-Back R-Hor R-Hor - - 1 0,25 Ra ラ 3 R-Hor R-Hor D-Slash - - 3 R-Hor R-Hor D-Slash - - 3 1 Ri リ 3 Ver Ver D-Slash - - 2 D-Slash D-Slash - - - 0 0 Ru ル 3 D-Slash D-Ver U-Slash - - 3 D-Slash D-Back U-Slash - - 2 0,67

(24)

F-6

(N)

Jml tepat benar Akurasi (n/N) Re レ 2 D-Ver U-Slash - - - 2 D-Back U-Slash - - - 1 0,5 Ro ロ 4 Ver R-Hor D-Slash R-Hor - 4 D-Slash R-Hor D-Slash R-Hor - 3 0,75 Wa ワ 3 Ver R-Hor D-Slash - - 3 D-Slash D-Back D-Slash - - 1 0,3 Wo ヲ 3 R-Hor R-Hor D-Slash - - 3 D-Back D-Slash R-Hor - - 0 0 N ン 2 D-Back U-Slash - - - 2 D-Back U-Slash - - - 2 1 Σdata = 46 Σakurasi = 31,9

Akurasi rata-rata berdasarkan jenis dan urutan segmen :

∑

data

akumulasi

(25)

G-1

LAMPIRAN G

PENGUJIAN ALGORITMA PRAPROSES

Tabel G-1 Pengujian Posisi Relatif Antar Segmen

Lafal Kat. Side2_1 Side3_2 Side4_3 Side5_4 Side2_1 Side3_2 Side4_3 Side5_4

Jml tepat benar

Akurasi

A ア S-East West - - South - - - 0 0

I イ Center - - - Center - - - 1 1

U ウ S-West East South - S-West East South - 3 1

E エ South South - - South South - - 2 1

O オ Center West West - Center West - - 2 0,67

Ka カ S-East West - - S-East West - - 2 1

Ki キ South Center - - South Center - - 2 1

Ku ク East South - - East South - - 2 0,5

Ke ケ Center South - - Center South - - 2 1

(26)

G-2

Jml tepat benar

Akurasi

Sa サ Center East South - Center South - - 2 0,67

Shi シ North S-East - - South South - - 0 0

Su ス South Center - - South Center - - 2 1

Se セ S-East East South - Center South - - 0 0

So ソ East - - - East - - - 1 1

Ta タ East South Center - Center South Center - 2 0,67

Chi チ South Center - - South Center - - 2 1

Tsu ツ East East - - East Center - - 1 0,5

Te テ South South - - South South - - 2 1

To ト Center - - - Center - - - 1 1

Na ナ Center - - - Center - - - 1 1

Ni ニ South - - - South - - - 1 1

Nu ヌ S-East Center - - South Center - - 1 0,5

Ne ネ South S-East Center East South South Center East 3 0,75

(27)

G-3

Jml tepat benar

Akurasi

Ha ハ East - - - East - - - 1 1

Hi ヒ Center S-East - - West S-East - - 0 0

Fu フ S-East - - - South - - - 0 0

He ヘ East - - - S-East - - - 0 0

Ho ホ Center N-West East - Center West S-East - 1 0,3

Ma マ S-East S-West - - South South - - 0 0

Mi ミ South South - - South South - - 2 1

Mu ム S-East Center - - East S-East - - 0 0

Me メ Center - - - Center - - - 1 1

Mo モ South Center S-East - South Center S-East - 3 1

Ya ヤ South West - - Center - - - 0 0

Yu ユ South Center - - South Center - - 2 1

Yo ヨ South Center North - Center South - - 0 0

Ra ラ South South - - South South - - 2 2

(28)

G-4

Jml tepat benar

Akurasi

Ru ル East S-East - - East East - - 1 0,5

Re レ East - - - East - - - 1 1

Ro ロ East South South - East South South - 3 1

Wa ワ East South - - East South - - 2 1

Wo ヲ South East - - South North - - 1 0,5

N ン South - - - South - - - 1 1

Σdata = 46 Σakurasi =

31,56

Nilai akurasi rata-rata berdasarkan posisi relative antar segmen:

∑

data

akurasi

(29)

H-1

LAMPIRAN H

PENGUJIAN ALGORITMA PRAPROSES KARE

Tabel H-1 Pengujian Perpotongan Antar Segmen

Lafal Kat. Isect2_1 Isect3_2 Isect4_3 Isect5_4 Isect2_1 Isect3_2 Isect4_3 Isect5_4

Jml tepat benar

Akurasi

A ア Succ. Succ. - - Succ - - - 1 0,5

I イ Cross - -- - No-Isect - - - 0 0

U ウ No-Isect Cross Succ. - No-Isect No-Isect Succ. - 2 0,67

E エ Cross Cross - - No-Isect No-Isect - - 0 0

O オ Cross Succ. No-Isect - Cross Cross - - 1 0,3

Ka カ Succ. No-Isect - - Succ. No-Isect - - 2 1

Ki キ No-Isect Cross - - No-Isect Cross - - 2 1

Ku ク Cross Succ. - - No-Isect Succ. - - 1 0,5

Ke ケ Cross Cross - - Succ. No-Isect - - 0 0

(30)

H-2

Jml tepat benar

Akurasi

Sa サ Cross Cross Succ. - Cross No-Isect - - 1 0,33

Shi シ No-Isect No-Isect - - No-Isect No-Isect - - 2 1

Su ス Succ. Cross - - Succ. No-Isect - - 1 0,5

Se セ Succ. No-Isect Succ. - Cross Succ. - - 0 0

So ソ No-Isect - - - No-Isect - - - 1 1

Ta タ Cross Succ. Cross - Succ. Succ. Cross - 2 0,67

Chi チ No-Isect Cross - - No-Isect Cross - - 2 1

Tsu ツ No-Isect No-Isect - - No-Isect No-Isect - - 2 1

Te テ No-Isect Cross - - No-Isect No-Isect - - 1 0,5

To ト Cross - - - Cross - - - 1 -

Na ナ Cross - - - Cross - - - 1 1

Ni ニ No-Isect - - - No-Isect - - - 1 1

Nu ヌ Succ. Cross - - Succ. Cross - - 2 1

Ne ネ No-Isect Succ. Cross No-Isect No-Isect Succ. No-Isect No-Isect 3 0,75

(31)

H-3

Jml tepat benar

Akurasi

Ha ハ No-Isect - - - East - - - 1 1

Hi ヒ Cross Succ. - - No-Isect Succ. - - 1 0,5

Fu フ Succ. - - - Succ. - - - 1 1

He ヘ Succ. - - - Succ. - - - 1 1

Ho ホ Cross No-Isect No-Isect - Cross No-Isect No-Isect - 3 1

Ma マ Succ. Cross - - Succ. No-Isect - - 1 0,5

Mi ミ No-Isect No-Isect - - No-Isect No-Isect - - 2 1

Mu ム Succ. Cross - - Succ. Succ. - - 1 0,5

Me メ Cross - - - Cross - - - 1 1

Mo モ No-Isect Cross Succ. - No-Isect Cross Succ. - 3 1

Ya ヤ Succ. No-Isect - - Cross - - - 0 0

Yu ユ Succ. Cross - - Succ. Cross - - 2 1

Yo ヨ Succ. Cross No-Isect - Cross No-Isect - - 0 0

Ra ラ No-Isect Succ. - - No-Isect Succ. - - 2 2

(32)

H-4

Jml tepat benar

Akurasi

Ru ル No-Isect Succ. - - No-Isect Succ. - - 2 1

Re レ Succ. - - - Succ. - - - 1 1

Ro ロ Cross Succ. Cross - No-Isect Succ. No-Isect - 1 0,3

Wa ワ Cross Succ. - - No-Isect Succ. - - 1 0,5

Wo ヲ No-Isect Cross - - Succ. No-Isect - - 0 0

N ン No-Isect - - - No-Isect - - - 1 1

Σdata = 46

Σakurasi = 31,02

Nilai akurasi rata-rata berdasarkan posisi relative antar segmen: 31,02

x 100% =

(33)

I-1

LAMPIRAN I

PENGETAHUAN INDUCT/RDR YANG BERHASIL DIBANGUN

character = ー (2666.0/2410.0)

Except (side_Seg0-Seg1 = SOUTH) => character = ス (587.0/0.0) [287.0/0.0]

Except (isect_Seg0-Seg1 = NO-INTERSECT) => character = ン (330.0/0.0) [165.0/0.0]

Except (Seg1 = R-HOR) and (Seg0 = R-HOR) => character = キ (132.0/0.0) [68.0/0.0]

Except (isect_Seg1-Seg2 = NO-INTERSECT) => character = ニ (55.0/0.0) [33.0/0.0]

Except (side_Seg1-Seg2 = SOUTH) => character = デ (29.0/0.0) [15.0/0.0]

Except (side_Seg2-Seg3 = SIDE-UNDEF) => character = シ (14.0/0.0) [5.0/0.0]

Except (Seg2 = D-SLASH) => character = テ (5.0/0.0) [2.0/0.0]

Except (Seg2 = R-HOR) => character = ミ (4.0/1.0) [2.0/0.0]

Except (Seg2 = U-SLASH) => character = ジ (6.0/0.0) [3.0/0.0]

Except (side_Seg2-Seg3 = SIDE-UNDEF) => character = シ (4.0/0.0) [2.0/0.0]

Except (Seg2 = D-SLASH) and (isect_Seg1-Seg2 = SUCCESSIVE) => character = ラ (17.0/0.0) [5.0/0.0]

Except (Seg2 = D-SLASH) and (isect_Seg2-Seg3 = SUCCESSIVE) => character = モ (4.0/0.0) [1.0/0.0]

Except (side_Seg3-Seg4 = EAST) => character = デ (10.0/0.0) [3.0/0.0]

Except (Seg2 = U-SLASH) => character = ジ (6.0/0.0) [2.0/0.0]

...