5. PENGUJIAN SISTEM. Gambar 5.1. Form Isian Database

(1)

93

Universitas Kristen Petra

Bab ini berisi hasil pengujian dari sistem yang telah dibuat. Ada beberapa bagian yang dibahas pada bab ini yaitu proses training dan proses recognize.

Gambar yang akan diolah diperoleh melalui proses scanning dengan bantuan program lain dan alat berupa scanner Microtek ScanMaker 3880 pada resolusi 300 dpi.

5 .1 . Training Tulisan Tangan dalam Database

Pada proses training tulisan, program aplikasi diberi inputan berupa gambar yang berisi dengan beberapa jenis variasi tulisan untuk huruf kapital, huruf kecil, dan angka.

Gambar 5.1. Form Isian Database

Jenis-jenis tulisan masing-masing huruf yang ada pada form isian database akan disimpan dalam database. Sebelumnya akan dilakukan pengecekan

(2)

apabila jenis tulisan tersebut sudah ada dalam database maka tidak akan disimpan lagi, tetapi jika belum ada akan disimpan sebagai sebuah record.

5 .2 . Pengenalan Tulisan Tangan

Proses recognition atau pengenalan tulisan dilakukan pada beberapa kondisi yang berbeda. Hasil pengujian akan dihitung dari hasil rata -rata pengenalan pada beberapa kondisi yang berbeda tersebut. Pengujian pada beberapa kondisi yang berbeda ditujukan untuk mengetahui tingkat kemampuan program aplikasi dalam penerapannya.

5.2.1. Pengujian Pengenalan Antara Database dan Responden yang Sama

Pada bagian ini akan dilakukan pengujian dimana database hanya berisi data tulisan tangan dari seseorang, dan program aplikasi akan mencoba mengenali tulisan tangan dari orang yang sama. Berikut adalah form yang akan dikenali oleh perangkat lunak.

Gambar 5.2. Form Pengenalan1 Pengujian1

(3)

Image pada Gambar 5.2. digunakan sebagai input untuk dikenali oleh perangkat lunak. Image yang ada akan diolah dan dilihat nilai similarity -nya dengan rule-rule dalam database. Hasil dari pros es akan menghasilkan tampilan sebagai berikut :

Gambar 5.3. Hasil Pengenalan1 Pengujian1

Berikutnya dilakukan pengujian terhadap jenis tulisan orang lain dengan kondisi yang sama yaitu database berisi data dari satu orang responden, kemudian diujikan tulisan tangan dari orang yang sama. Hasil dari Pengenalan2 dari jenis pengujian1 dapat dilihat pada gambar di bawah ini :

(4)

Pada proses Pengenalan1 dan Pengenalan2 menggunakan form pengenalan yang berbeda. Dari dua proses pengenalan pada jenis pengujian1 dapat dilihat hasil pengenalannya pada tabel berikut :

Tabel 5.1. Tabel Hasil Pengujian1 dengan Mengikutkan Karakter ‘Spasi’

Jenis Pengenalan Jumlah Karakter

Jumlah Benar

Jumlah Salah

Persentase Karakter Benar

Pengenalan1 70 61 9 87.14286

Pengenalan2 70 62 8 88.57143

Rata -rata 87.85714

Tabel 5. 2. Tabel Hasil Pengujian1 tanpa Mengikutkan Karakter ‘Spasi’

Jumlah Benar

Jumlah Salah

Pengenalan1 60 52 8 86.66667

Pengenalan2 41 34 7 82.92683

Rata -rata 84.79675

5.2.2. Pengujian Pengenalan Antara Database yang Berisi Beberapa Variasi Tulisan Tangan dengan Responden yang Jenis Tulisannya Sudah Dilatihkan

Pada pengujian tahap ini, perangkat lunak akan dilatihkan dengan variasi tulisan dari beberapa orang yang berbeda. Kemudian salah satu dari orang yang tulisan tangannya sudah dilatihkan, akan dicoba untuk dikenali tulisan tangannya oleh perangkat lunak. Berikut adalah form yang digunakan untuk proses Pengenalan1 pengujian2:

(5)

Input berupa image akan dilihat nilai similarity-nya dengan database yang berisi variasi tulisan tangan dari beberapa orang. Setelah proses akan menghasilkan tampilan sebagai berikut:

Berikutnya akan dilakukan proses Pengenalan2 dengan model pengujian2 yaitu data responden sudah dilatihkan sebelumnya pada database dan database

(6)

berisi beberapa variasi huruf dari beberapa orang responden. Form yang digunakan pada proses Pengenalan1 dan Pengenalan2 semuanya berbeda -beda.

Pada tiap proses pengenalan masing-masing menggunakan responden yang berbeda tetapi semua data tulisan mereka sudah tersimpan pada database.

Berikut adalah tabel hasil pengujian2 :

Tabel 5. 3. Tabel Hasil Pengujian2 dengan Mengikutkan Karakter ‘Spasi’

Jumlah Benar

Jumlah Salah

Pengenalan1 70 60 10 85.71429

Pengenalan2 70 63 7 90.00000

Rata -rata 87.85714

Jumlah Benar

Jumlah Salah

Pengenalan1 60 49 11 81.66667

Pengenalan2 45 39 6 86.66667

Rata -rata 84.16667

(7)

5.2.3. Pengujian Pengenalan Antara Database yang Berisi Beberapa Variasi Tulisan Tangan dengan Responden yang Jenis Tulisannya Belum Dilatihkan

Pada jenis pengujian ketiga akan dilakukan pengujian dimana database berisi variasi tulisan tangan dari beberapa orang, tetapi tulisan yang akan dikenali belum tersimpan pada database. Artinya orang yang tulisannya akan dikenali, sebelumnya tidak pernah melatihkan jenis tulisan tangannya pada database.

Berikut ini adalah form yang akan diujikan :

Hasil input ini akan diolah perangkat lunak, dengan kondisi dimana variasi tulisan tangan yang diujikan belum disimpan dala m database. Setelah melakukan proses recognize, perangkat lunak akan memberikan hasil sebagai berikut :

(8)

Proses Pengenalan2 akan dilakukan terhadap responden yang berbeda tetapi menggunakan database yang sama. Fo rm yang digunakan pada proses Pengenalan2 berbeda dengan form yang digunakan pada Pengenalan1 pada pengujian3. Berikut adalah hasil proses Pengenalan2 pada pengujian3 :

Dari ketiga proses pengenalan dibuat rata-rata hasil pengenalan untuk jenis pengujian3. Tabel hasil pengenalan dapat dilihat sebagai berikut :

(9)

Tabel 5. 5. Tabel Hasil Pengujian3 dengan Mengikutkan Karakter ‘Spasi’

Jumlah Benar

Jumlah Salah

Pengenalan1 70 54 16 77.14286

Pengenalan2 70 48 22 68.57143

Rata -rata 72.85714

Jumlah Benar

Jumlah Salah

Pengenalan1 53 41 12 77.35849

Pengenalan2 54 33 21 61.11111

Rata -rata 69.23480

5.2.4. Persentase Hasil Pengujian

Setelah dilakukan beberapa jenis pengujian yang dilakukan oleh perangkat lunak, dicari rata -rata persentase dari hasil pengenalan yang diperoleh.

Pengujian dilakukan pada 3 kondisi yaitu :

5.2.1 .1 . Database berisi data tulisan dari 1 orang, dan tulisan dari orang yang sama diujikan pada program aplikasi.

5.2.1 .2 . Database berisi variasi tulisan tangan dari beberapa orang dan salah satu dari orang tersebut tulisan tangannya diujikan pada program aplikasi.

5.2.1 .3 . Database berisi variasi tulisan tangan dari beberapa orang, tetapi tulisan tangan yang diujikan belum dilatihkan oleh program aplikasi.

Berikut adalah tabel hasil pengujian rata-rata dari ketiga kondisi tersebut:

Tabel 5. 7. Tabel Rata-Rata Hasil Pengujian dengan Mengikutkan Karakter ‘Spasi’

Jenis Pengujian Rata-rata Jumlah Karakter

Rata-rata Jumlah

Benar

Rata-rata Jumlah

Salah

Rata-rata Persentase Karakter Benar

Pengujian1 70 62 8 87.85714

Pengujian2 70 62 8 87.85714

Pengujian3 70 51 19 72.85714

Rata-rata 82.85714

(10)

Tabel 5.8. Tabel Rata-Rata Hasil Pengujian tanpa Mengikutkan Karakter ‘Spasi’

Jenis Pengujian Rata-rata Jumlah Karakter

Rata-rata Jumlah

Benar

Rata-rata Jumlah

Salah

Rata-rata Persentase Karakter Benar

Pengujian1 50 43 7 86.00000

Pengujian2 52 44 8 84.61538

Pengujian3 53 37 16 69.81132

Rata-rata 80.14223

Pengujian dilakukan pada fo rm pengenalan hasil scanning, dimana form tersebut berisi 14 baris dan 5 kolom kotak yang jika dijumlahkan semuanya berjumlah 70 kotak. Untuk pengujian dengan mengikutkan karakter spasi perhitungan persentase dilakukan terhadap 70 kotak tersebut, termasuk apabila ada kotak kosong. Kotak kosong yang ada pada form pengenalan akan dikenali sebagai spasi.

5 .3 . Pengenalan Huruf Cetak

Program aplikasi juga diujikan pada tulisan yang menggunakan huruf cetak. Form pengenalan yang digunakan pada pengenalan huruf cetak ini sama dengan form pengenalan yang digunakan untuk pengenalan tulisan tangan.

Berikut adalah gambar form pengenalan yang berisi huruf cetak :

Gambar 5.11. Form Pengenalan Huruf Cetak

(11)

Form pengenalan pada gambar 5.11 akan dianalisa oleh program aplikasi menggunakan metode yang sama pada proses pengenalan tulisan tangan, sehingga setelah proses pengenalan akan menampilkan hasil sebagai berikut :

Gambar 5.12. Hasil Pengenalan Huruf Cetak

Tabel 5. 9. Tabel Pengujian Huruf Cetak dengan Mengikutkan Karakter ‘Spasi’

Jenis Pengujian Jumlah Karakter

Jumlah Benar

Jumlah Salah

Pengenalan Huruf Cetak 70 63 7 90.00000

Tabel 5. 10. Tabel Pengujian Huruf Cetak ta npa Mengikutkan Karakter ‘Spasi’

Jenis Pengujian Jumlah Karakter

Jumlah Benar

Jumlah Salah

Pengenalan Huruf Cetak 48 41 7 85.41667

5 .4 . Penentuan Panjang Garis Horisontal dan Garis Vertikal

Panjang suatu garis yang terdapat pada huruf bersifat relatif dan tidak dapat ditentukan secara pasti untuk semua jenis tulisan. Untuk itu panjang garis horisontal dan garis vertikal pada suatu huruf ditentukan melalui beberapa pengujian yang dilakukan. Dari beberapa kali pengujian tersebut dicari hasil yang memiliki persentase pengenalan paling baik. Dalam hal ini dilakukan 3 jenis

(12)

pengujian dengan menggunakan pemisalan panjang garis 4 piksel, 5 piksel dan 6 piksel. Form pengenalan yang digunakan sama dengan form pengenalan pada Gambar 5.2.

Gambar 5.13. Hasil Pengenalan dengan Panjang Garis 4 Piksel

(13)

Tabel 5. 11. Tabel Rata-Rata Hasil Pengujian untuk Menentukan Panjang Garis

Panjang Garis Jumlah

Karakter Jumlah Benar Jumlah Salah Persentase Karakter Benar

4 Piksel (Gambar 5.13.) 60 47 13 78.33333

5 Piksel (Gambar 5.14.) 60 52 8 86.66667

6 Piksel (Gambar 5.15.) 60 49 11 81.66667

Rata-rata 82.22222

Dari hasil pengujian yang terdapat pada Tabel 5.11. dapat dilihat bahwa penggunaan asumsi panjang suatu garis sebesar 5 piksel memiliki persentase karakter benar yang paling tinggi. Berdasarkan pengujian ini maka ditetapkan bahwa deretan piksel hitam dapat disebut sebagai sebuah garis apabila memiliki panjang 5 piksel. Untuk selanjutnya program aplikasi menggunakan acuan garis dengan panjang 5 piksel. Jadi apabila pada suatu huruf saat dianalisa memiliki deretan piksel hitam sebanyak 5 piksel, maka huruf tersebut dianggap telah memiliki sebuah garis baik horisontal maupun vertikal.

5 .5 . Pembuktian Rumusan Similarity

Program aplikasi ini menerapkan rumus similarity yang digunakan untuk mencari rule mana yang memiliki kesamaan paling banyak dengan huruf yang sedang dianalisa. Tiap rule akan diberi nilai similarity agar dapat dibandingkan antara satu dengan yang lain. Untuk penjabaran mengenai perhitungan nilai

(14)

similarity dapat dilihat pada Sub Bab 3.2.2.3. Berikut akan dibuktikan tentang rumus similarity dengan menggunakan contoh form pengenalan pada Gambar 5.2.

Dalam contoh, hanya akan dianalisa 3 kotak huruf yang pertama yaitu Kotak1 berisi huruf ”A”, Kotak2 berisi huruf ”K”, Kotak3 berisi huruf ”U”. Features yang diperoleh dari proses feature extraction :

Kotak1 = { 1, 0, 2, 2, 1, 0, 0, 0, 0.16, 0.32, 0, 0.32, 0.2, 0.24, 0.35, 0. 25, 0.25}

Kotak2 = { 0, 2, 2, 2, 1, 1, 0, 1, 0.25, 0.42, 0. 42, 0.25, 0.25, 0.05, 0. 25, 0. 1, 0.15}

Kotak3 = { 0, 1, 2, 2, 0, 1, 0, 0, 0. 2, 0, 0. 25, 0.25, 0, 0.25, 0. 25, 0, 0. 25}

Kotak1 pada Tabel 5.12. dimisalkan sebagai N.

Tabel 5.12. Tabel Perhitungan Similarity 8 features P ertama Kotak1

Rule a1 a2 a3 a4 a5 a6 a7 a8

Huruf A 1 0 2 2 1 0 0 0

N 1 0 2 2 1 0 0 0

R1

( ) ( ) (Riaj,N aj)

δ 1 1 1 1 1 1 1 1

Huruf B 2 1 3 3 0 0 0 0

N 1 0 2 2 1 0 0 0

R2

( ) ( ) (Riaj,Naj)

δ 0.5 0.5 0.67 0.67 0.5 1 1 1

Tabel 5.13. Tabel Perhitungan Similarity 9 Features yang Diperoleh dari Region Percentation (sambungan dari tabel 5.12.)

Rule a9 a10 a11 a12 a13 a14 a15 a16 a17 Huruf A 0. 16 0. 24 0. 08 0.26 0. 2 0.28 0. 21 0 0.2 N 0. 13 0. 33 0.16 0. 26 0.26 0.26 0. 13 0 0.12 R1

( ) ( ) (Riaj,Naj)

β 0.97 0.91 0.92 1 0.96 0.98 0.92 1 0.92 Huruf B 0. 3 0.23 0.25 0. 2 0.23 0.25 0.23 0. 16 0.21 N 0. 13 0. 33 0.16 0. 26 0.26 0.26 0. 13 0 0.12 R2

( ) ( ) (Riaj,Naj)

β 0.83 0.9 0.91 0.94 0.97 0.99 0.9 0.84 0.91

(15)

Untuk nilai Similarity rule dapat dilihat dari perhitungan berikut :

(

^{R ,}1 ^N

)

λ = (1+1+1+1+1+1+1+1+ 0.97 + 0.91 + 0.92 + 1 + 0.96+ 0.98+ 0.92 + 1 + 0.92 ) / 17

= 0.97529

(

R ,2 N

)

λ = (0.5+0.5+0.67+0.67+0.5+1+1+1+ 0.83 + 0.9 + 0.91 + 0.94 + 0.97 + 0.99 + 0.9 + 0.84 + 0.91) / 17

= 0.82529

R1 atau Rule1 memiliki similarity sebesar 0.97529 terhadap Kotak1, sedangkan R2 atau Rule2 hanya memiliki similarity sebesar 0.82529. Dengan perhitungan ini maka dapat diambil keputusan bahwa huruf yang berada pada Kotak1 paling mirip dengan huruf A. Nilai similarity huruf pada Kotak1 terhadap huruf lain dapat dilihat pada tabel berikut :

Tabel 5.14. Tabel Similarity Huruf pada Kotak1 terhadap Huruf Lain dalam Rule

Input : A

Huruf Similarity Huruf Similarity

A 0.95872 N 0.80745

B 0.85113 O 0.82750

C 0.83147 P 0.77777

D 0.83470 Q 0.84686

E 0.76964 R 0.86686

F 0.77421 S 0.76114

G 0.78771 T 0.78794

H 0.87745 U 0.82225

I 0.74862 V 0.81877

J 0.77712 W 0.80025

K 0.82797 X 0.79931

L 0.76392 Y 0.74294

M 0.73823 Z 0.72137

Untuk huruf yang berada pada Kotak2 dan Kotak3 akan mengalami proses yang sama seperti yang dialami oleh huruf pada Kotak1. Masing-masing huruf akan melalui proses perhitungan seperti yang ditunjukkan pada Ta bel 5.12.

(16)

dan Tabel 5.13. Nilai similarity huruf pada Kotak2 dan Kotak3 terhadap huruf lainnya dapat dilihat pada Tabel 5.15. dan Tabel 5.16.

Input : K

A 0.76460 N 0.84852

B 0.75343 O 0.75102

C 0.79343 P 0.77973

D 0.77274 Q 0.76803

E 0.79575 R 0.84451

F 0.82402 S 0.75609

G 0.84117 T 0.74656

H 0.85212 U 0.83539

I 0.69607 V 0.76960

J 0.68725 W 0.74593

K 0.93398 X 0.87980

L 0.76666 Y 0.81764

M 0.79490 Z 0.79705

Input : U

A 0.79794 N 0.82671

B 0.82233 O 0.85299

C 0.79343 P 0.81895

D 0.87058 Q 0.86568

E 0.78120 R 0.77875

F 0.78872 S 0.73550

G 0.86078 T 0.68529

H 0.82745 U 0.95735

I 0.76470 V 0.90906

J 0.81666 W 0.82518

K 0.84117 X 0.80529

L 0.84509 Y 0.8745

M 0.77529 Z 0.734314