Pengenalan nik pada e-KTP menggunakan segmentasi profil proyeksi dan ekstraksi ciri menggunakan Invarian Momen HU dan Intensity of Character

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. PENGENALAN NIK PADA E-KTP MENGGUNAKAN SEGMENTASI PROFIL PROYEKSI DAN EKSTRAKSI CIRI MENGGUNAKAN INVARIAN MOMEN HU DAN INTENSITY OF CHARACTER SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika. Oleh : Sekar Mirah 145314045. PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2018.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. NIK E-ID RECOGNITION USING PROJECTION PROFILE SEGMENTATION AND FEATURE EXTRACTION USING HU INVARIANT MOMENTS AND INTENSITY OF CHARACTER THESIS Submitted in Partial Fulfillment of The Requirements For The Degree of Sarjana Komputer In Informaticts Engineering Study Program. By : Sekar Mirah 145314045. INFORMATICS ENGINEERING STUDY PROGRAM FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2018. ii.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. I{ALAMAN PERSETUJUAI\I SKRIPSI. PENGENALAI{ NIK PADA E-KTP MANGGUNAKAN SEGMENTASI PROFIL PROYEKSI I}A1\ EKSTRAKSI CIRI MENGGUNAKAI\T N\ryARIAN MOMEN IIU DAFT INTENSITY OF CHARACTER. Telah. iru. b-y. Dosen Pembimbing. /'0vyq4Dr. Anastasia Rita Widiarti, M.Kom.. Tanggal: 11. nl. Su\i. 3-OtB.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. HALAMAN PENGESAHAF{ SKRIPSI PENGENALAN NIK PADA E.KTP MDNGGUNAKAFI SEGMENTASI PROFIL PROYEKSI DAhI EKSTRAKSI CIRI MENGGT'NAKAFT II\TVARIAN MOMEN HU DAl\i INTENSITY OF CHARACTER. disusun oleh. :. Yogyakarta. e7 J*. /r' AolS. Fakultas Sains dan Teknologi niversitas Sanata Dharma. d-4* Mungkasi, Ph.D. ). lv.

(. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. PERNYATAA}I KEASLIAN KARYA Saya menyatakan dengan sesungguhnya bahwa tugas akhir yang saya. tulis. tidak mengandung atau memuat karya orang lain, kecuali yang telah disebutkan dalam daftar pustaka dan kutipan selayaknya karya ilmiah.. Yogyakart4 31 Mei 2018 Penulis. M* Sekar Mirah.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. LEMBAR PERNYATAA}I PERSETUJUAN PUBLIKAST KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS Yang bertanda tangan di bawah ini, saya mahasiswa universitas sanata. Dharma:. Nama : Sekar Mirah. NIM. :145314045. Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan universitas sanata Dharma karya ilmiah yang berjudul. PENGENALAN. :. NIK PADA E.KTP MENGGUNAKAN. SEGMENTASI PROFIL PROYEKSI DAIY EKSTRAKSI CIRI MENGGUNAKAN INVARIAN MOMEN HU DAN INTENSITY OF CHARACTER Dengan demikian saya memberikan kepada Perpuskkaan Universitas Sanata. Dharma hak untuk menyimpan, mengalihkan dalam bentuk media lain, mengelolanya dalam benfuk pangkalan data, mendistribusikan secara terbatas, dan mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu memintaizin dari saya meupun memberikan royalti kepada saya selama tetap mencantumkan nama saya sebagai penulis. Demikian pernyataan ini saya buat dengan sebenamya.. Yogyakart4 3l Mei 2018 Yang menyatakan. //\. W^. Sekar Mirah. VI.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. ABSTRAK Kartu tanda pengenal untuk warga negara Indonesia dengan usia 17 tahun keatas adalah Kartu Tanda Penduduk Elektronik (E-KTP). Teknologi E-KTP belum dimanfaatkan dengan maksimal misalnya kendaraan umum seperti kereta api masih melakukan pengecekan secara manual untuk mencocokan E-KTP dengan tiket kereta api. Apabila teknologi E-KTP sudah digunakan maka tidak diperlukan untuk dilakukan pengecekan secara manual. Pada penelitian ini akan dibangun sebuah sistem yang dapat membaca dan mengenali NIK pada E-KTP secara otomatis. Tahap awal dalam penelitian ini adalah mengumpulkan data berupa E-KTP sebanyak 70 data. Tahap selanjutnya adalah membagi data training dan data testing dengaan menggunakan 3-fold cross validation. Setelah itu tahap selanjutnya adalah preprocessing pertama adalah resize, grayscaling, binarisasi, dan yang terakhir segmentasi. Metode yang digunakan untuk tahap segmentasi adalah profil proyeksi. Tahap selanjutnya adalah feature extraction dengan menggunakan metode invarian momen Hu dan Intensity of Character (IoC). Implementasi pengujian data menggunakan model klasifikasi dengan metode template matching. Metode klasifikasi tersebut menggunakan euclidean distance. Tahap selanjutnya adalah postprocessing yaitu menggabungkan semua hasil klasifikasi dari 16 angka. Tahap akhir dari penelitian ini adalah tahap evaluasi, tahap ini akan menghitung semua akurasi dari tahap segmentasi dan feature extraction. Pengujian dilakukan dengan menggunakan 3-fold cross validation sehingga terdapat 3 data training dan 3 data testing. Tahap segmentasi akan menghitung akurasi dari keseluruhan data, akurasi yang diperoleh sebesar 98,57%. Pengujian pengenalan pada fold pertama diperoleh akurasi sebesar 86,96%. Pada pengujian pengenalan pada fold kedua diperoleh akurasi sebesar 91,30%. Pada pengujian pengenalan pada fold ketiga diperoleh akurasi sebesar 78,26%. Sehingga dapat disimpulkan bahwa, sistem ini dapat mengenali NIK E-KTP dengan nilai rata – rata akurasi sebesar 85,51%.. vii.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. ABSTRACT Identification card for Indonesian citizens aged 17 years and above was Electronic Identity Card (E-ID ) . E-KTP technology has not been maximally utilized such as on the train check in system still manually checked to match E-ID card with train tickets . It was not necessary to check manually , when it could be automatically checked . In this research would be a system that able to read and recognize NIK on EKTP automatically. The initial stage is to collect data in the form of E-KTP of 70 datas. The next step was to share training data and data test used 3-fold cross validation. After that the next step was preprocessing, first was resize, grayscaling, binarization and finally segmentation. The method used for the segmentation stage was projection profile. The next stage was the feature extraction using the Hu moment invariant method and the Intensity of Character (IoC). Implementation of the tested data used a model classification with template matching method. The classification method used euclidean distance. The next stage was postprocessing which combines all the classification results of 16 numbers. The final stage were the evaluation phase, it would calculate all the accuracy of the segmentation and recognition . The test was done by used 3-fold cross validation finally there were 3 data trained and tested. The segmentation stage would calculate the accuracy of the whole data, the accuracy was 98.57%. The recognition of the first fold achieved 86.96%. The tested recognition of the second fold achieved 91.30%. The tested recognition of the third fold achieved 78.26%. The conclusion was , this system can recognize NIK on the E-ID card with a success rate average 85.51% .. viii.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. MOTTO “Kau tak akan pernah mampu menyebrangi lautan sampai kau berani berpisah dengan daratan” ( Christopher Colombus). ix.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. KATA PANGANTAR Puj i syukur dan terima kasih kepada Tuhan Yang Maha Pengasih, sehingga tugas. akhir saya yang berjudul "Pengenalan. I\IK Pada E-KTP menggunakan. Segmentasi Profil Proyeksi dan Ekstraksi. Ciri menggunakan Invarian Momen. Hu dan Intensity Of Character". dapat terselesaikan. Tugas akhir. ini. disusun. sebagai persyaratan untuk memperoleh gelar Sarjana pada Program Studi Teknik. Informatika Universitas Sanata Dharma.. Dalam menyelesaikan tugas akhir. ini. penulis mendapat dukungan dan. bimbingan dari berbagai pihak. Pada kesempatan ini penulis mengucapkan terima kasih kepada. :. 1. Keluarga saya yang selalu memberikan dukungan untuk segera menyelesaikan tugas akhir saya.. 2. Ibu Dr. Anastasia Rita Widiarti, M.Kom. sebagai dosen pembimbing saya yang bersedia meluangkan waktu untuk membimbing dan memberikan motivasi selama proses mengerjakan tugas akhir.. 3. Saudara Frans Yakobus yang selalu memb€ri semangat, masukan dan waktu untuk belajar bersama selama menyelesaikan tugns akhir.. 4. Seluruh dosen Teknik Informatika Universitas Sanata Dharma yang telah mendidik dan memberikan ilmu ataupun pengalaman selama proses perkuliahan.. 5. Teman. -. teman yang telah bersedia meluangkan waktunya untuk menjadi. responden dalam pengambilan data E-KTP sebagai data penelitian.. 6. Teman - teman angkatan 20 14 yangmemberikan semangat dan penghibur dalam menyelesaikan tugas akhir. Yogyakarta, 31 Mei 2018 Penulis. {-. rul'* Sekar Mirah.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. DAFTAR ISI. HALAMAN JUDUL .............................................................................................. i HALAMAN JUDUL (ENGLISH) ....................................................................... ii HALAMAN PERSETUJUAN ............................................................................ iii HALAMAN PENGESAHAN .............................................................................. iv PERNYATAAN KEASLIAN KARYA ............................................................... v LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI ............................ vi ABSTRAK ........................................................................................................... vii ABSTRACT ........................................................................................................ viii MOTTO ................................................................................................................ ix KATA PENGANTAR ........................................................................................... x 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 ................................................................................................. 3. 1.4. Batasan Masalah.................................................................................. 4. 1.5. Manfaat ............................................................................................... 4. 1.6. Metodologi Penelitian ......................................................................... 4. 1.7. Sistematika Penulisan ......................................................................... 5. BAB II LANDASAN TEORI .............................................................................. 7 2.1.. Pemrosesan Citra Digital..................................................................... 7. xi.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 2.1.1.. Citra Biner ......................................................................................... 7. 2.1.2.. Citra Grayscale ................................................................................. 8. 2.1.3.. Citra RGB ......................................................................................... 8. 2.2.. Pengenalan Pola ................................................................................ 10. 2.3.. Kartu Tanda Penduduk Elektronik (E-KTP) ..................................... 11. 2.4.. Preprocessing .................................................................................... 12. 2.4.1.. Grayscaling ..................................................................................... 12. 2.4.2.. Binarisasi ......................................................................................... 13. 2.4.3.. Segmentasi ...................................................................................... 14. 2.4.4.. Resizing ........................................................................................... 15. 2.5.. Ekstraksi Ciri..................................................................................... 16. 2.6.. Template Matching ........................................................................... 18. 2.7.. Evaluasi ............................................................................................. 18. BAB III METODOLOGI PENELITIAN ......................................................... 20 3.1.. Bahan Riset atau Data ....................................................................... 20. 3.2.. Peralatan Penelitian ........................................................................... 20. 3.3.. Metode Pengumpulan Data ............................................................... 20. 3.4.. Tahap Penelitian ................................................................................ 21. 3.4.1.. Identifikasi Masalah ........................................................................ 21. 3.4.2.. Studi Pustaka ................................................................................... 22. 3.4.3.. Perancangan Alat Uji ...................................................................... 22 3.4.3.1. Analisa kebutuhan Pengguna ............................................ 22 3.4.3.2. Analisa Kebutuhan Proses ................................................. 22 3.4.3.3. Desain Alat Uji dan Implementasi .................................... 24. 3.4.4.. Rancangan Evaluasi ........................................................................ 41. xii.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 3.5.. Desain Rancangan User Interface ..................................................... 42. BAB IV HASIL DAN ANALISA ....................................................................... 43 4.1.. Implementasi Pelatihan Data............................................................. 43. 4.1.1.. Data Training dan Data Testing ...................................................... 43. 4.1.2.. Preprocesing .................................................................................... 44 4.1.2.1. Resizing ............................................................................. 44 4.1.2.2. Grayscaling ........................................................................ 45 4.1.2.3. Binarisasi ........................................................................... 46 4.1.2.4. Segmentasi ......................................................................... 49. 4.1.3.. Feature Extraction ........................................................................... 59. 4.1.4.. Database Data Training dan Data Testing ...................................... 60. 4.2.. Implementasi Pegujian Data ............................................................. 62. 4.2.1.. Klasifikasi ....................................................................................... 62. 4.2.2.. Evaluasi ........................................................................................... 64. BAB V PENUTUP ............................................................................................... 71 5.1.. Kesimpulan ....................................................................................... 71. 5.2.. Saran .................................................................................................. 72. DAFTAR PUSTAKA .......................................................................................... 73 LAMPIRAN ......................................................................................................... 76 Lampiran 1. Desain Interface Alat Uji .............................................................. 76. xiii.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. DAFTAR GAMBAR Gambar 2.1 Contoh Citra Biner E-KTP .................................................................. 8 Gambar 2.2 Contoh Citra Grayscale E-KTP ........................................................... 8 Gambar 2.3 Warna RGB dalam ruang berdimensi tiga .......................................... 9 Gambar 2.4 Contoh Citra RGB E-KTP .................................................................. 9 Gambar 2.5 Contoh Karkteristik E-KTP Indonesia .............................................. 11 Gambar 2.6 Proses konversi citra RGB ke citra grayscale ................................... 13 Gambar 2.7 Proses konversi citra grayscale ke citra biner ................................... 14 Gambar 2.9 Contoh 3-fold cross validation .......................................................... 19 Gambar 3.1.1 Model Pengenalan Pola .................................................................. 23 Gambar 3.1.2 Gambaran Umum Sistem ............................................................... 25 Gambar 3.1.3 Contoh Gambaran Umum Sistem .................................................. 25 Gambar 3.1.4 Diagram Konteks............................................................................ 25 Gambar 3.1.5 Data Flow Diagram Level 1 ........................................................... 26 Gambar 3.1.6 Data Flow Diagram Level 2 ........................................................... 27 Gambar 3.1.7 Data Flow Diagram Level 3 Preprocessing ................................... 28 Gambar 3.1.8 Data Flow Diagram Level 3 Feature Extraction ............................ 35 Gambar 3.1.9 Data Flow Diagram Level 4 Momen Hu........................................ 36 Gambar 3.2.1 Data Flow Diagram Level 3 Klasifikasi ......................................... 40 Gambar 3.2.2 User Interface ................................................................................. 42 Gambar 4.1.1 Pembagian Data Training dan Testing ........................................... 44 Gambar 4.1.2 Citra RGB Resize ........................................................................... 45 Gambar 4.1.3 Citra Grayscale ............................................................................... 46 Gambar 4.1.4 Uji Coba 1 Konversi Citra Biner .................................................... 47 Gambar 4.1.5 Uji Coba 2 Konversi Citra Biner .................................................... 48 Gambar 4.1.6 Uji Coba 3 Konversi Citra Biner .................................................... 48 Gambar 4.1.7 Contoh Citra Hapus Foto ............................................................... 50 Gambar 4.1.8 Contoh Citra Tidak Melalui Hapus Foto ........................................ 50 Gambar 4.1.9 Hasil Vertikal Proyeksi .................................................................. 51 Gambar 4.2.1 Hasil Horizontal Proyeksi .............................................................. 52 xiv.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Gambar 4.2.2 Contoh Hasil Segmentasi Tidak Sukses ......................................... 52 Gambar 4.2.3 Hasil Vertikal Proyeksi 1 ............................................................... 53 Gambar 4.2.4 Hasil Horizontal Proyeksi 1 ........................................................... 53 Gambar 4.2.5 Hasil Vertikal Proyeksi 2 ............................................................... 54 Gambar 4.2.6 Hasil Vertikal Proyeksi 1 ............................................................... 54 Gambar 4.2.7 Hasil Horizontal Proyeksi 1 ........................................................... 54 Gambar 4.2.8 Hasil Vertikal Proyeksi 2 ............................................................... 55 Gambar 4.2.9 Hasil Horizontal Proyeksi 2 ........................................................... 55 Gambar 4.3.1 Pembagian Daerah Gambar untuk Metode Invarian Momen Hu ... 59 Gambar 4.3.2 Pembagian Daerah Gambar untuk Metode Intensity of Character 59 Gambar 4.3.3 Hasil Ekstraksi Ciri Angka 3 .......................................................... 60 Gambar 4.3.4 Hasil Database Training ................................................................. 61 Gambar 4.3.5 Hasil Database Testing ................................................................... 61 Gambar 4.3.6 Euclidean Distance ......................................................................... 62 Gambar 4.3.7 Jarak Terkecil Klasifikasi ............................................................... 63 Gambar 4.3.8 Hasil Segmentasi Vertikal Data 36.3 ............................................. 65 Gambar 4.3.9 Hasil Segmentasi Horizontal Data 36.3 ......................................... 65 Gambar 4.4.1 Hasil Segmentasi Vertikal Data 58.2 ............................................. 66 Gambar 4.4.2 Hasil Segmentasi Horizontal Data 58.2 ......................................... 66 Gambar 4.4.3 Hasil Segmentasi Vertikal Data 70.3 ............................................. 67 Gambar 4.4.4 Hasil Segmentasi Horizontal Data 70.3 ......................................... 67 Gambar 4.4.5 Hasil Segmentasi Vertikal Data 2.3 ............................................... 68 Gambar 4.4.6 Hasil Segmentasi Horizontal Data 2.3 ........................................... 68 Gambar 4.4.7 Hasil Segmentasi Vertikal Data 3.4 ............................................... 69 Gambar 4.4.8 Hasil Segmentasi Horizontal Data 3.4 ........................................... 69 Gambar 4.4.9 Hasil Segmentasi Vertikal Data 7.2 ............................................... 70 Gambar 4.5.1 Hasil Segmentasi Horizontal Data 7.2 ........................................... 70. xv.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. DAFTAR TABEL Tabel 4.1 Contoh Hasil Akurasi Segmentasi ........................................................ 58. xvi.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. BAB I PENDAHULUAN 1.1 Latar Belakang Kartu tanda penduduk konvensional mulai digantikan oleh kartu penduduk elekronik (E-KTP) pada tahun 2009. Pada tahun 2009 E-KTP mulai di kerjakan di 4 kota besar yaitu Padang, Makasar, Yogyakarta dan Denpasar. Sedangkan untuk kabupaten dan kota yang lain resmi diluncurkan pada bulan februari tahun 2011. Saat ini hampir seluruh penduduk Indonesia sudah memiliki EKTP karena penduduk Indonesia diwajibkan untuk mengganti KTP konvensional dengan E-KTP. KTP konvensional digantikan dengan E-KTP untuk memperkecil kemungkinan seseorang memiliki lebih dari satu KTP. EKTP berlaku selama seumur hidup sehingga masyarakat tidak perlu melakukan perpanjangan masa aktif KTP. E-KTP memiliki banyak kelebihan jika dibandingkan dengan KTP konvensional antara lain adalah E-KTP menyimpan seluruh data penduduk secara elektronik termasuk data biometric, dilengkapi dengan chip, tidak dapat dipalsukan, tidak dapat digandakan dan dapat dipakai sebagai kartu suara dalam pemilihan suara. E-KTP memiliki teknologi yang modern tetapi untuk memanfaatkan teknologi tersebut diperlukan alat seperti E-KTP reader. Banyak kelebihan yang dimiliki oleh E-KTP namun hingga saat ini penduduk Indonesia belum merasakan perbedaan menggunakan KTP konvensional dengan E-KTP. E-KTP di Indonesia belum memanfaatkan secara maksimal teknologi yang sudah ada, sebenarnya E-KTP bisa dimanfaatkan dengan baik apabila terdapat alat yang dapat digunakan untuk memanfaatkan teknologi yang digunakan pada E-KTP. Pada awal kemunculan E-KTP di Indonesia sudah dijelaskan bahwa E-KTP memiliki microchip yang terdapat di dalamnya dan tidak diperbolehkan untuk melakukan fotokopi karena akan merusak microchip pada E-KTP. Banyaknya keperluan untuk melakukan salinan data,. 1.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 2. maka banyak warga yang tetap melakukan fotocopy untuk keperluannya karena tidak ada cara lain lagi. Kehadiran E-KTP di Indonesia yang menggunakan teknologi modern namun tidak tersedianya fasilitas untuk penggunaan E-KTP ini sangat sia-sia. Apabila terdapat E-KTP reader maka data pada E-KTP dapat dibaca secara langsung namun hal ini belum dapat dilakukan. E-KTP merupakan tanda pengenal bagi warga negara di Indonesia. E-KTP banyak digunakan sebagai tanda pengenal misalnya untuk menggunakan alat transportasi umum, pendaftaran universitas ataupun yang lainnya. Pengenalan pola bertujuan untuk menentukan suatu kelompok atau kategori pola berdasarkan ciri - ciri yang dimiliki oleh pola tersebut [HEN95]. Citra adalah array dari nilai - nilai dimana sebuah nilai adalah sekumpulan angka yang mendeskripsikan atribut dari piksel di dalamnya [Foley, James D (1996,p816)]. Pada kasus tersebut diperlukan aplikasi dengan memanfaatkan pengenalan pola dan pemrosesan citra yang dapat mempermudah membaca nomor id E-KTP secara otomatis. Pada penelitian sebelumnya oleh Michael Ryan dan Novita Hanafiah tahun 2015 tentang pengenalan. karakter. KTP. menggunakan template matching. Pada penelitian pengenalan karakter dilakukan 4 tahap yaitu pre-processing, text-area extraction, segmentation, dan recognition. Tahap pre-processing memiliki beberapa tahap yaitu scaling, grayscaling, dan Binarisasi. Tingkat akurasi yang dihasilkan dari proses segmentasi sebesar 93%. Pada penelitian yang telah dilakukan oleh Widiarti, dkk (2014) tentang Preprocessing manuskrip aksara Jawa, proses yang dilakukan adalah binarisasi, pengurangan derau, segmentasi baris dan segmentasi karakter. Proses segmentasi dilakukan dengan menggonakan metode profil proyeksi. Profil proyeksi ada 2 macam yaitu proyeksi vertikal dan proyeksi horizontal. Proyeksi horizontal digunakan untuk melakukan segmentasi baris, selanjutnya proyeksi vertikal dilakukan untuk melakukan segmentasi karakter tiap baris. Tingkat akurasi dari preprocessing manuskrip aksara Jawa kurang lebih antara 85,9% sampai 94,82%. Pada penelitian sebelumnya yang dilakukan oleh Belagali, dkk (2016) dengan judul OCR for.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 3. Handwritten Kannada Language Script. Pada penelitian ini segmentasi yang dilakukan dengan menggunakan connected component labeling. Sedangkan pada proses ekstraksi ciri menggunakan metode Hu’s invariant moment, horizontal dan vertikal proyeksi. Hasil akurasi dalam penelitian ini yaitu sebesar 94,69 %, ini merupakan hasil akurasi yang sangat bagus. Pada penelitian ini disebutkan bahwa zoning berbasis PNN dengan ciri menggunakan. invariant. moment. digunakannya. invariant. moment,. yang. digunakan. horizontal. dan. untuk vertikal. klasifikasi, proyeksi. menghasilkan pengenalan yang baik.. 1.2 Rumusan Masalah Rumusan masalah dari penelitian ini adalah sebagai berikut : 1. Berapakah persentase keberhasilan dari proses pengenalan NIK pada citra E-KTP ?. 1.3 Tujuan Tujuan dari penelitian ini adalah sebagai berikut : 1. Mengetahui tingkat keberhasilan sistem untuk melakukan segmentasi menggunakan metode profil proyeksi. 2. Mengetahui tingkat keberhasilan sistem untuk melakukan ekstraksi ciri dengan menggunakan metode invarian momen Hu dan Intensity of Character. 3. Mengetahui seberapa tingkat keberhasilan sistem yang ditunjukan dari hasil persentase kebenaran dari pengenalan NIK pada E-KTP..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 4. 1.4 Batasan Masalah Batasan masalah yang digunakan pada penelitian ini adalah sebagai berikut : 1. Citra yang digunakan hanya citra E-KTP Indonesia. 2. Data yang digunakan memiliki tingkat kualitas yang masih cukup baik. 3. Hanya mengenali karakter NIK pada citra E-KTP.. 1.5 Manfaat Manfaat yang dapat diperoleh dari penelitian ini adalah sebagai berikut : 1. Pihak penyedia layanan umum dapat menggunakan sistem ini untuk melakukan pengecekan identitas secara otomatis. 2. Pihak penyelenggara pemilu dapat menggunakan sistem ini untuk mencegah pemilihan lebih dari 1 kali.. 1.6 Metodologi Penelitian 1. Studi Literatur Pada tahap ini dilakukan pengumpulan beberapa referensi untuk mendapatkan informasi tentang penelitian yang akan dilakukan. Studi literatur dilakukan dengan cara mencari dan mempelajari buku, artikel ataupun jurnal yang berkaitan dengan identifikasi karakter.. 2. Perancangan Sistem Tahap perancangan sistem dilakukan untuk merancang apa saja yang diperlukan untuk membangun sebuah sistem yang mampu melakukan pengenalan karakter pada citra E-KTP.. 3. Pengumpulan Data Pada tahap pengumpulan data dilakukan untuk memperoleh objek yang akan digunakan untuk penelitian. Pengumpulan data dilakukan dengan cara melakukan pengambilan gambar E-KTP..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 5. 4. Pembuatan Sistem Pada tahap ini merupakan tahap implementasi untuk membangun sebuah sistem yang sebelumnya sudah dirancang pada tahap perancangan sistem dan sudah dilakukan pengumpulan data sebagai objek.. 5. Pengujian Pada tahap ini dilakukan pengujian dari sistem berdasarkan kinerja dari sistem yang sudah dibuat. Pengujian sistem dapat dilakukan dengan cara mengetahui seberapa besar tingkat akurasi keberhasilan yang dihasilkan.. 6. Pembuatan Laporan Pada tahap yang terakhir dilakukan penyusunan laporan dari hasil penelitian yang sudah dilakukan disertai dengan teori - teori yang telah digunakan.. 1.7 Sistematika Penulisan Dalam sistematika penulisan dibagi menjadi 5 bab yaitu : 1. BAB I PENDAHULUAN Bab I membahas tentang latar belakang penelitian, rumusan masalah, tujuan penelitian, batasan masalah, manfaat penelitian, metodologi penelitian dan sistematika penulisan.. 2. BAB II LANDASAN TEORI Bab II membahas tentang teori - teori yang akan digunakan untuk melakukan penelitian.. 3. BAB III METODE PENELITIAN Bab III membahas tentang gambaran umum yang akan dilakukan dalam melakukan penelitian. Pada bab ini akan dijelaskan langkah -.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 6. langkah yang dilakukan untuk membangun sebuah sistem. Langkah langkah yang dilakukan mulai dari cara pengumpulan data, cara pengolahan data, cara menganalisis data dan cara untuk menganalisis kebutuhan hardware ataupun software yang diperlukan untuk membangun sistem.. 4. BAB IV HASIL DAN ANALISA Bab IV membahas hasil dari sebuah penelitian untuk membangun sistem pengenalan karakter nomor id E-KTP. Pada bagian ini menjelaskan tentang detail dari pembuatan sistem dengan berupa caracara yang dilakukan dengan menggunakan teori yang sudah ditentukan. Bagian ini juga menjelaskan tentang analisa dari hasil penelitian.. 5. BAB V PENUTUP Bab V membahas kesimpulan dari pengujian dan hasil analisa sistem yang telah dibuat. Selain itu pada bab V menyertakan saran dan daftar pustaka..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. BAB II LANDASAN TEORI 2.1. Pemrosesan Citra Digital Secara umum, istilah pengolahan citra digital menyatakan “pemrosesan gambar berdimenasi-dua melalui komputer digital” (Jain, 1989). Menurut Efford (2000), pengolahan citra adalah istilah umum untuk berbagi teknik yang keberadaannya untuk memanipulasi dan memodifikasi citra dengan berbagai cara. Citra digital merupakan sebuah larik (array) yang berisi nilai – nilai real maupun komplek yang direpresentasikan dengan deretan bit tertentu. Suatu citra dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial, dan aplitudo f di titik koordinat (x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Apabila nilai x, y dan nilai aplitudo f secara keseluruhan berhingga (finite) dan bernilai diskrit maka dapat dikatakan bahwa citra tersebut adalah citra digital. Setiap pixel mewakili tidak hanya satu titik dalam sebuah citra melainkan sebuah bagian berupa kotak yang merupakan bagian terkecil (sel). Nilai dari sebuah pixel haruslah dapat menunjukan nilai rata – rata yang sama untuk seluruh bagian dari sel tersebut (Putra, 2010). Ada tiga jenis citra yang umum digunakan dalam pemrosesan citra. Menurut Kadir, dkk. (2013) jenis citra digital dibagi menjadi 3 yaitu citra biner, citra keabuan dan citra warna. Masing – masing jenis citra memiliki definisi yang berbeda yaitu : 2.1.1. Citra Biner Citra biner sering disebut dengan citra B&W (black and white) atau citra monokrom. Citra biner adalah citra yang setiap pixelnya hanya dinyatakan dalam sebuah nilai dengan dua kemungkinan yaitu pixel dengan nilai 1 atau nilai 0. Nilai 0 menyatakan warna hitam sedangkan nilai 1 menyatakan warna putih seperti pada gambar 2.1.. 7.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 8. Gambar 2.1 Contoh Citra Biner E-KTP. 2.1.2. Citra Grayscale Citra grayscale menangani gradasi antara warna hitam dan putih yang akan menghasilkan warna abu – abu. Pada citra grayscale warna dinyatakan dengan intensitas. Intensitas pada citra grayscale memiliki rentang nilai dari 0 sampai 255. Nilai 0 pada citra grayscale menyatakan warna hitam dan nilai 255 menyatakan warna putih. Semakin kecil nilai grayscale pixel maka akan semakin gelap citra yang dihasilkan. Apabila nilai grayscale pixel semakin besar maka citra yang dihasilkan akan semakin terang.. Gambar 2.2 Contoh Citra Grayscale E-KTP. 2.1.3. Citra RGB Citra RGB merupakan jenis citra yang menyajikan warna dalam bentuk komponen R (merah) , G (hijau) , dan B (biru). Setiap komponen warna.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 9. menggunakan delapan bit (nilainya berkisar antara 0 sampai dengan 255). Dengan demiikian, kemungkinan warna yang dihasilkan mencapai 255 x 255 x 255 atau 16.581.375 warna. Berikut merupakan pemetaan warna dalam tiga dimensi : B. 255 Biru. Cyan. Putih. Magenta. 0 Hitam. 255 Hijau. 255 R. Merah. Kuning. Gambar 2.3 Warna RGB dalam ruang berdimensi tiga. Gambar 2.4 Contoh Citra RGB E-KTP. G.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 10. 2.2. Pengenalan Pola Penganalan pola merupakan suatu mesin pengenalan secara otomatis, deskripsi, klasifikasi, dan pengelompokan pola yang merupakan masalah penting bagi engineering dan disiplin ilmu seperti biologi, psikologi, kedokteran, pemasaran, computer vision, kecerdasan buatan, dan remote sensing. Tujuan dari pengenalan pola adalah mengklasifikasi data yang supervised dan unsupervised. Pengenalan pola memiliki pendekatan menggunakan template matching, statistical, structural (or syntactic), dan neural networks (Jain, dkk, 2000). Menurut Imam (2015) proses pengenalan pola ada 6 tahap yaitu : 1. Input dan Sensing Pada proses ini terdapat proses pengambilan data dan pemasukan data. Pemrosesan data sesuai dengan karakteristik atau fakta yang ada dan pengukuran untuk nilai dari variable data. 2. Pre-processing Tahap preprocessing berfungsi untuk menghilangkan noise pada data. Selain itu dilakukan pemisahan pola – pola yang menarik dari data. 3. Segmentation Tahap segmentasi dilakukan untuk pemisahan objek satu dengan yang lain dalam suatu gambar. 4. Feature Extraction Feature Extraction untuk menemukan representasi baru atau ciri khas data dari segi fiturnya. 5. Classification Tahap ini menggunakan fitur dan algoritma untuk menetapkan pola pada suatu kelas tertentu. 6. Post-processing Tahap akhir yang dilakukan untuk mengevaluasi tingkat keberhasilan dalam keputusan..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 11. 2.3. Kartu Tanda Penduduk Elektronik (E-KTP) E-KTP atau KTP Elektronik adalah dokumen kependudukan yang memuat sistem keamanan / pengendalian baik dari sisi administrasi atau teknologi informasi dengan bebasis pada database kependudukan nasional. E – KTP memiliki chip yang dapat menyimpan berbagai data misalnya data biometrik berupa sidik jadi. E-KTP yang memiliki chip telah di enkripsi dengan algoritma kriptofgrafi tertentu. Penyimpanan data di dalam chip sesuai dengan standar internasional NISTIR 7123 dan Machine Readable Travel Documents ICAO 9303 serta EU Passport Specification 2006. Bentuk KTP elektronik sesuai dengan ISO 7810 dengan form factor ukuran kartu kredit yaitu 53,98 mm x 85,60 mm. E-KTP dimiliki oleh penduduk Indonesia yang sudah berusia >= 17 tahun. Sesuai dengan ketentuan yang berlaku, ketika warga negara Indonesia menginjak usia 17 tahun maka wajib untuk membuat E-KTP. Setiap E-KTP memiliki perbedaan yang pasti yaitu terletak pada nomor NIK. Nomor NIK yang ada pada E-KTP nantinya akan dijadikan dasar dalam penerbitan Paspor, SIM, Nomor Pokok Wajib Pajak (NPWP), Polis Asuransi, Sertifikat ataa Hak Tanah dan penerbitan dokumen identitas lainnya (Pasal 13 UU No. 23 Tahun 2006 tentang Adminduk). NIK merupakan karakteristik dari masing – masing E-KTP yang dijadikan primary key. NIK disebut sebagai primary key karena setiap individu memiliki NIK yang berbeda satu sama lainnya. Nomor Induk Kependuudkan (NIK) memiliki karakteristik yang khas untuk membedakan satu dengan yang lain. Karakteristik yang dimiliki antara lain :. Gambar 2.5 Contoh Karkteristik E-KTP Indonesia.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 12. Berdasarkan contoh gambar diatas dirincikan sebagai berikut : 33. : Mengacu pada kode provinsi. Menurut Permendagri No 39 tahun 2015, saat ini ada 34 provinsi yang terdaftar dalam Republik Indonesia.. 13. : Kode kota / kabupaten. 08. : Kode kecamatan, setiap kecamatan memiliki kode yang berbeda. Makanya saat kamu membuat e – ktp selalu dianjurkan untuk datang langsung ke kantor kecamatan masing – masing.. 42. : Tanggal lahir. Untuk tanggal lahir terdapat perbedaan antara kode laki – laki dengan perempuan. Kode untuk laki – laki adalah tanggal lahir 01 – 31. Sedangkan untuk perempuan tanggal lahir ditambah dengan 40 jadi kodenya mulai dari 41 – 71.. 08. : Bulan lahir. 96. : Tahun lahir yang dituliskan 2 angka terakhir. 0001. : Nomor komputerisasi, ini nomor random yang memang sudah diatur oleh komputer agar tidak kembar dengan yang laiinya. Namun biasanya untuk kepala keluarga akan ditulis xx01, untuk anak pertama xx02 begitu seterusnya.. 2.4. Preprocessing 2.4.1. Grayscaling Pemrosesan citra banyak bekerja pada citra grayscale. Grayscaling merupakan konversi citra dari citra RGB menjadi citra grayscalse. Citra warna memiliki 3 komponen warna yaitu R(merah), G(hijau), B(biru) dari komponen tersebut akan dikonversikan menjadi citra grayscale. Citra berwarna dapat dikonversikan menjadi citra grayscale menggunakan NTSC (National Television System Committee) (Kadir, dkk, 2012). Operasi yang dilakukan untuk melakukan konversi sebagai berikut :.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 13. 𝐾𝑜 = 𝑤𝑟𝑅𝑖 + 𝑤𝑔𝐺𝑖 + 𝑤𝑏 𝐵𝑖. (2.1.5). Dengan ketentuan sebagai berikut : wr : bobot komponen R (0.299) wg : bobot komponen G (0.587) wb : bobot komponen B (0.144). Berikut merupakan contoh dari proses grayscaling :. Gambar 2.6 Proses konversi citra RGB ke citra grayscale. 2.4.2. Binarisasi Binarisasi merupakan proses untuk melakukan suatu konversi citra dari citra grayscale menjadi citra biner. Pada citra biner setiap pixel hanya bernilai 1 atau 0. Pada proses konversi perlu ditentuan level sebagai nilai ambang dari threshold. Tujuan utama dari proses Binarisasi adalah memisahkan obyek dengan background. Indikasi keberhasilan proses Binarisasi adalah seberapa baik threshold yang dipilih dapat mempartisi obyek dan background. Threshold suatu citra g(x,y), dimana f(x,y) menyatakan graylevel dari suatu poin (x,y), dan T menyatakan suatu nilai ambang threshold, didefinisikan sebagai berikut (Gonzalez dan Woods, 1992) : f(x,y)>𝑇 𝑔(𝑥, 𝑦) = {10jika } jika (f,x) ≤𝑇. (2.1.6).

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 14. Proses pemilihan nilai threshold akan mempengaruhi hasil dari proses binarisasi. Proses binarisasi menggunakan metode Otsu digunakan. untuk. menentukan. nilai. ambang. batas. untuk. meminimalkan varians intraclass piksel hitam dan putih.. Berikut merupakan contoh proses binarisasi dengan metode Otsu:. Gambar 2.7 Proses konversi citra grayscale ke citra biner. 2.4.3. Segmentasi Segmentasi ditunjukan pada operasi untuk mempartisi citra menjadi komponen – komponen, atau objek – objek yang terpisah (Sianipar, 2013). Berdasarkan teknik yang digunakan, segmentasi dapat dibagi menjadi empat kategori berikut (Rangayyan, 2005) : 1.. Teknik peng-ambangan. 2.. Metode berbasis batas. 3.. Metode berbasis area. 4.. Metode hibrid yang mengombinasikan kriteria batas dan area Metode yang dapat digunakan untuk segmentasi misalnya. adalah profil proyeksi. Pada penelitian yang telah dilakukan oleh Widiarti, dkk (2014) yang telah mengimplementasikan line segmentation. Proses segmentasi dengan menggunakan profil proyeksi dilakukan dengan mengektraksi ciri berdasarkan profil proyeksi dari garis pada teks. Profil Proyeksi akan mencari garis.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 15. pada teks secara vertikan dan horizontal, dimana proyeksi horizontal akan mendapatkan baris teks kemudian proyeksi vertikal akan memisahkan setiap kolom teks. Dimana S(N, M) merupakan citra biner dengan N baris dan M kolom. Profil proyeksi terdapat 2 jenis yaitu :. 1. Profil Vertikal Menjumlahkan pixel putih yang tegak lurus dengan sumbu y, yang diwakili vektor Pver. dengan ukuran N yang. didefinisikan sebagai : 𝑃𝑣𝑒𝑟 [𝑘] = ∑𝑀 𝑗=1 𝐼[𝑏𝑘 , 𝑘]. (2.1.7). Dengan ketentuan sebagai berikut : M. = tinggi citra. Pver[k] = jumlah piksel pada kolom k citra. 2. Profil Horizontal Menjumlahkan pixel putih yang tegak lurus dengan sumbu x, yang diwakili vektor Phor. dengan ukuran M yang. didefinisikan sebagai : 𝑃ℎ𝑜𝑟 [𝑏] = ∑𝑁 𝑗=1 𝐼[𝑏, 𝑘𝑗 ]. (2.1.8). Dengan ketentuan sebagai berikut : N. = lebar citra. Phor[b] = jumlah piksel pada baris b citra. 2.4.4. Resizing Resizing dalam sebuah pemrosesan citra adalah mengubah ukuran citra menjadi lebih kecil ataupun lebih besar. Resizing untuk memperkecil ukuran citra dilakukan untuk mengurangi jumlah piksel pada citra. Pada proses resizing untuk memperbesar ukuran citra dilakukan dengan menambah jumlah piksel pada citra..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 16. 2.5. Ekstraksi Ciri Ektraksi ciri merupakan langkah yang dilakukan untuk mengidentifikasi suatu ciri dari setiap karakter. Salah satu metode yang dapat digunakan untuk ekstraksi ciri yaitu metode invarian momen Hu dan metode Intensity of Character (IoC). Ekstraksi ciri menggunakan invarian momen Hu digunakan untuk menghitung area objek. Pada ekstraksi ciri dengan metode IoC akan menghitung semua nilai piksel objek dengan nilai piksel sama dengan 1. Perhitungan area objek dengan memanfaatkan metode momen pusat ternormalisasi. Untuk menentukan ciri suatu objek dengan menggunakan metode ini harus menghitung dua bagian yaitu momen spasial orde dan momen pusat. Momen spasial orde (m,n) dapat didefinisikan sebagai berikut (Kadir, dkk, 2013) : 𝑁 𝑖 𝑗 𝑀𝑖𝑗 = ∑𝑀 𝑥=1 ∑𝑦=1 𝑥 𝑦 𝑙(𝑥, 𝑦). (2.1.9). Dengan ketentuan sebagai berikut : i, j = 0,1,2,…, dengan I j menyatakan orde momen M = jumlah kolom dalam baris N. = jumlah baris pada citra. x. = ordinat piksel. y. = absis piksel. I(x,y) = intensitas piksel pada posisi (x,y) Momen pusat adalah momen spasial yang dihitung relatif terhadap pusat massa. Jika pusat massa adalah (𝑦̅ , 𝑥̅ ), maka momen pusat ditulis sebagai berikut : 𝑁 𝑖 𝜇𝑖𝑗 = ∑𝑀 ̅)𝑗 𝐼(𝑥, 𝑦) 𝑥=1 ∑𝑦=1(𝑥 − 𝑥̅ ) (𝑦 − 𝑦. (2.2.0). Momen diatas bersifat invariant (tidak terpengaruhi) terhadap translasi. Dalam hal ini, 𝑥̅ dan 𝑦̅ diperoleh melalui : 𝑥̅ =. 𝑀10 𝑀00. , 𝑦̅ =. 𝑀01 𝑀00. (2.2.1).

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 17. Agar momen pusat bersifat bebas terhadap traslasi, penyekalaan, dan rotasi, maka momen perlu dinormalisasi. Momen pusat ternormalisasi berupa : ŋ𝑖𝑗 =. 𝜇𝑝𝑞 𝛾. 𝜇00. ,𝛾 =. 𝑖+𝑗+2 2. (2.2.2). Momen Invariant yang akan dihasilkan ada sebanyak 7 momen yang dapat diperoleh menggunakan rumus sebagai berikut : ∅1 = ŋ20 + ŋ02. (2.2.3). ∅2 = (ŋ20 + ŋ02 )2 + (4ŋ11 )2. (2.2.4). ∅3 = (ŋ30 − 3ŋ12 )2 + (3ŋ21 − ŋ03 )2. (2.2.5). ∅4 = (ŋ30 + ŋ12 )2 + (ŋ21 + ŋ03 )2. (2.2.6). ∅5 = (ŋ30 − 3ŋ12 )(ŋ30 + ŋ12 ){(ŋ30 + ŋ12 )2 − 3(ŋ21 + ŋ03 )2 } + (3ŋ21 − ŋ03 )(ŋ21 + ŋ03 ){3(ŋ30 + ŋ12 )2 − (ŋ21 + ŋ03 )2 }. (2.2.7). ∅6 = (ŋ20 − ŋ02 ){(ŋ30 + ŋ12 )2 − (ŋ21 + ŋ03 )2 } + 4ŋ11 (ŋ30 + ŋ12 )(ŋ21 + ŋ03 ). (2.2.8). ∅7 = (3ŋ21 − ŋ30 )(ŋ30 + ŋ12 ){(ŋ30 + ŋ12 )2 − 3(ŋ21 + ŋ30 )2 } + (3ŋ21 − ŋ03 )(3ŋ21 + ŋ03 ){3(ŋ30 + ŋ12 )2 − (ŋ21 + ŋ03 )2 } (2.2.9) Intensity of Character (IoC) merupakan metode yang digunakna untuk menghitung nilai piksel putih suatu citra. Setiap angka yang akan dilaakukan ekstraksi ciri maka angka tersebut akan dihitung nilai piksel putihnya. Pada penelitian ini akan dilakukan 3 pembagian zona untuk menghitung nilai pikselnya.. Gambar 2.8 Contoh Jumlah Piksel dengan IoC.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 18. 2.6. Template Matching Template matching merupakan salah satu cara untuk melakukan klasifikasi data. Template matching merupakan pendekatan data testing dengan data training yang sudah dijasikan suatu database. Konsep dari metode template matching adalah melakukan pencocokan satu persatu dengan database dengan mencari jarak terdekat dengan database. Jarak antara 2 objek yaitu data testing dengan template atau database dapat dihitung menggunakan euclidean distance. Berikut merupakan rumus untuk menghitung euclidean distance : 𝑑𝐸𝑢𝑐 = √∑𝑑𝑖=1 |𝑃𝑖 − 𝑄𝑖 |2. (2.3.0). Dengan ketentuan sebagai berikut : dEuc = jarak euclidean distance d. = jumlah dimensi objek. Pi – Qi = nilai objek P dan Q ke i. 2.7. Evaluasi Evaluasi merupakan tahap paling akhir yang digunakan untuk mengevaluasi keberhasilan sistem. Setelah melalui tahap klasifikasi menggunakan template matching maka data testing dapat diketahui. Data testing semuanya akan dicek menggunakan sistem ini. Pengenalan objek ini dapat dievaluasi untuk mengetahui berapa persentase keberhasilannya. Pada penelitian ini akan dilakukan evaluasi terhadap persentase keberhasilan pada proses pengenalan NIK pada citra E-KTP menggunakan 3fold cross validation. K-fold cross validation merupakan metode yang digunakan untuk evaluasi sebuah sistem dengan membagi jenis data berupa data testing dan training. K yang akan digunakan sejumlah 3, dengan pembagian data 2/3 menjadi data training dan 1/3 menjadi data testing. Secara keseluruhan data akan diacak dan dibagi kemudian akan dilakukan pembagian data sebanyak 3 kali..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 19. Gambaran umum 3-fold cross validation :. 1. 1 2. A. Training. A. 2. A. Training. 2. Testing. 3. 3. 3. 4. 4. 4. 5. 5. 5. 6 B. B. Training. 6. B. Testing. 6. Training. 7. 7. 7. 8. 8. 8. 9. 9. 9. 10. 10 C. 1. C. Testing. 10. Training. C. 11. 11. 11. 12. 12. 12. Fold 1. Fold 2. Training. Fold 3. Gambar 2.9 Contoh 3-fold cross validation. Berdasarkan gambar 2.9 data akan dibagi menjadi 3 dengan komposisi 2/3 data training dan 1/3 data testing. Pengujian akurasi akan dilakukan sebanyak 3 kali. Fold pertama dengan data training yaitu data A dan B sedangkan data testing yaitu data C. Fold kedua memiliki data training A dan C sedangkan data testing yaitu data B. Fold ketiga memiliki data training B dan C sedangkan data testing yaitu data A. Masing – masing fold akan dihitung akurasinya dengan menggunakan rumus sebagai berikut :. 𝑎𝑘𝑢𝑟𝑎𝑠𝑖 𝑓𝑜𝑙𝑑 =. ∑ 𝑂𝑏𝑗𝑒𝑘 𝑦𝑎𝑛𝑔 𝑑𝑖𝑘𝑒𝑛𝑎𝑙𝑖 𝑑𝑒𝑛𝑔𝑎𝑛 𝑏𝑒𝑛𝑎𝑟 ∑ 𝑠𝑒𝑚𝑢𝑎 𝑜𝑏𝑗𝑒𝑘. 𝑥 100%. (2.3.1).

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. BAB III METODOLOGI PENELITIAN Bab III ini akan membahas metode yang dilakukan untuk melakukan penelitian. Bab ini akan menjelaskan gambaran umum dari sistem yang akan dibuat, data yang akan digunakan, proses pengambilan data, proses pengolahan data, peralatan penelitian, implementasi perancangan, dan perancangan user interface.. 3.1. Bahan Riset atau Data Bahan yang akan digunakan untuk penelitian ini merupakan sebuah citra EKTP warga Indonesia. Citra E-KTP digunakan sebagai input untuk proses pengenalan nomor NIK. Jumlah citra E-KTP yang akan digunakan dalam penelitian ini sebanyak 70 data. Data tersebut akan dibagi menjadi data training sebanyak 47 data dan data testing sebanyak 23 data.. 3.2. Peralatan Penelitian Penelitian ini akan menggunakan perangkat keras berupa laptop dengan spesifikasi prosesor Intel Core i5, harddisk sebesar 1 TB dan kapasitas memory 4GB. Perangkat lunak yang akan digunakan untuk mengembangkan penelitian ini adalah Matlab R2017a. Perangkat lunak ini dipilih karena cocok untuk mengolah data citra.. 3.3. Metode Pengumpulan Data Pada metode pengumpulan data untuk membangun sistem ini dilakukan beberapa tahap antara lain : 3.3.1. Tahap 1 Pengumpulan E-KTP Pada tahap pertama dilakukan pengumpulan data berupa E-KTP. Pada proses pengumpulan data E-KTP dilakukan pendaftaran target yang akan. 20.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 21. dijadikan objek. Objek pertama yaitu orang – orang terdekat misalnya anggota keluarga. Setelah itu beberapa teman – teman dekat dan mahasiswa Sanata Dharma. Data yang dikumpulkan sebanyak 70 data dari E-KTP mahasiswa maupun E-KTP bukan mahasiswa.. 3.3.2. Tahap 2 Proses Digitalisasi Data Tahap kedua yaitu dilakukan proses digitalisasi data untuk data tiket kereta api dan E-KTP. Tahap digitalisasi yang pertama dilakukan adalah melakukan pengambilan gambar untuk E-KTP. Citra E-KTP diambil dengan menggunakan kamera smartphone dengan resolusi 8 megapixel berdimensi 3264 piksel x 2448 piksel. Pengambilan gambar dilakukan dengan meletakan objek E-KTP pada background berwarna putih kemudian pengambilan gambar berjarak kurang lebih 8 centimeter dari objek sehingga keseluruhan objek terlihat dengan jelas. Proses pengambilan gambar dilakukan secara tegak lurus antara kamera smartphone dengan E-KTP. Selain hal tersebut perlu diperhatiakan pencahayaan ruangan ketika proses pengambilan gambar karena akan mempengaruhi kualitas citra. Citra yang sudah diambil akan digunakan sebagai data dengan format joint photographic expert group (.jpg/.jpeg).. 3.4. Tahap Penelitian 3.4.1. Identifikasi Masalah Berdasarkan data yang akan digunakan sebagai objek penelitian dapat dirumuskan masalah dengan membuat sebuah sistem yang dapat melakukan pengenalan karakter nomor id pada E-KTP. Rumusan permasalahan dapat diselesaikan dengan membangun sebuah sistem yang diukur tingkat keberhasilannya berdasarkan kebenaran data yang dapat teriidentifikasi..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 22. 3.4.2. Studi Pustaka Penelitian ini mengacu pada kasus yang ada dalam kehidupan sehari – hari. Penelitian ini diharapkan dapat menyelesaikan kasus tersebut dengan baik. Sebagai pendukung penelitian diperlukan referensi yang mengacu pada topik penelitian. Rerensi yang digunakan antara lain buku, jurnal ilmiah, ataupun referensi lain yang mendukung untuk penyelesaian penelitian ini.. 3.4.3. Perancangan Alat Uji Penelitian ini dibutuhkan metode untuk melakukan perancangan alat uji. Metode yang digunakan adalah metode waterfall, metode waterfall merupakan metode penyelesaian pembuatan perangkat lunak secara sistematis dan berurutan. Beberapa tahapan yang dilakukan dalam perancangan alat uji sebagai berikut : 3.4.3.1. Analisa kebutuhan Pengguna Tahap analisa kebutuhan pengguna dilakukan untuk memenuhi kebutuhan user yang dapat diselesaikan oleh sistem yang akan dibuat. Kebutuhan pengguna pada penelitian ini antara lain : a. Melihat hasil identifikasi NIK pada citra E-KTP b. Melihat hasil akurasi sistem.. 3.4.3.2. Analisa Kebutuhan Proses Pada tahap ini dilakukan analisa terhadap kebutuhan sistem yang akan dibangun. Kebutuhan sistem harus diperhatikan untuk mendukung proses pembuatan alat uji..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 23. Pengujian Data. Pembuatan Database. E-KTP Testing. E-KTP Training. Preprocessing. Preprocessing. Feature Extraction. Feature Extraction. Klasifikasi. Ciri & Label. Evaluasi. Gambar 3.1.1 Model Pengenalan Pola. Gambar 3.1.1 merupakan model pengenalan pola dari pengenalan NIK E-KTP. Pada model pengenalan pola tersebut terdapat 2 bagian yaitu bagian pengujian data dan bagian pembuatan database. Bagian pembuatan database hanya memiliki 2 tahap dan kemudian akan disimpan dalam sebuah database berupa ciri dan labelnya. Sedangkan pada bagian pengujian data melalui 4 tahap. Tahap preprocessing merupakan tahap yang digunakan untuk menyiapkan data masukan sehingga data tersebut dapat diolah pada tahap feature extraction..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 24. Tahap feature extraction merupakan tahap yang digunakan untuk mengetahui pola atau ciri dari masing – masing angka. Ciri yang dihasilkan dari setiap angka memiliki nilai yang berbeda. Untuk pembuatan database, ciri dari data training akan disimpan dalam sebuah database kemudian setiap cirinya akan diberi labelnya sesuai angka yang sudah diproses. Pada pengujian data testing setelah dilakukan proses feature extraction maka proses selanjutnya adalah klasifikasi. Proses klasifikasi adalah proses yang digunakan untuk melakukan klasifikasi dari masing – masing angka pada nomor NIK E-KTP. Klasifikasi yang digunakan dengan menggunakan template matching. Proses klasifikasi dilakukan dengan melakukan perhitungan jarak dengan database, setelah mendapatkan nilai jarak maka angka tersebut sudah bisa diklasifikasikan sesuai dengan label jarak terkecil. Proses terakhir dari pengujian data merupakan evaluasi, tahap. evaluasi. keberhasilan. digunakan. suatu. sistem.. untuk. mengetahui. tingkat. Untuk. mengetahui. tingkat. keberhasilan sistem maka perlu dihitung kebenaran dari data testing. Sistem ini akan melakukan evaluasi pada subproses preprocessing, evaluasi proses klasifikasi setiap E-KTP dan evaluasi secara keseluruhaan pengenalan NIK.. 3.4.3.3. Desain Alat Uji dan Implementasi Proses desain dlakukan untuk melakukan perancangan seperti perancangan pemrosesan data dan desain antar muka pengguna. Selain itu implementasi dilakukan untuk membangun sebuah sistem. dari. hasil. perancangan. yang. sudah. dibangun.. Implementasi merupakan proses pembuatan sistem dengan menggunakan bahasa mesin. Desain alat uji dapat digambarkan dengan beberapa diagram sebagai berikut :.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 25. a. Gambaran Umum Sistem Sistem ini dibangun untuk membantu melakukan pengenalan otomatis nomor NIK pada citra E-KTP. Gambaran umum sistem akan digambarkan dengan menggunakan diagram blok seperti berikut :. PENGENALAN NIK PADA E-KTP MENGGUNAKAN SEGMENTASI. CITRA. TEKS. PROFIL PROYEKSI DAN. Input. EKSTRAKSI CIRI MENGGUNAKAN INVARIAN MOMEN HU DAN INTENSITY OF. E-KTP. Output. Hasil Identifikasi NIK Akurasi. CHARACTER. Gambar 3.1.2 Gambaran Umum Sistem. Berikut merupakan contoh dari gambaran umum sistem : PENGENALAN NIK PADA E-KTP MENGGUNAKAN SEGMENTASI. Input. PROFIL PROYEKSI DAN EKSTRAKSI CIRI MENGGUNAKAN INVARIAN MOMEN HU DAN INTENSITY OF CHARACTER. NIK : 331XXXXXXXXXXXX Akurasi : 100 %. Output. Gambar 3.1.3 Contoh Gambaran Umum Sistem. b. Gambaran Proses. 0 Gambar E-KTP USER. Hasil identifikasi NIK, akurasi sistem. SEGMENTASI DAN EKSTRAKSI CIRI NIK PADA E-KTP MENGGUNAKAN PROFIL PROYEKSI DAN MOMENT INVARIANT. Gambar 3.1.4 Diagram Konteks. Berdasarkan gambar 3.1.4 merupakan gambar dari diagram konteks yang menggambarkan secara umum sistem yang akan dibuat. Diagram konteks menggambarkan proses besar untuk melakukan pencocokan.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 26. otomatis nomor id E-KTP dengan nomor id pada tiket kereta api. Terdapat satu external entity yaitu user, user hanya perlu melakukan input berupa gambar E-KTP. Setelah user melakukan input data maka sistem akan memproses untuk menghasilkan output berupa hasil identifikasi NIK, hasil verifikasi, akurasi sistem dan waktu identifikasi.. 2. 1 Citra E-KTP. Pengujian. Akurasi sistem. User. Pengenalan Hasil identifikasi NIK. Gambar EKTP. Data template. Data Testing EKTP. Data Training. Gambar 3.1.5 Data Flow Diagram Level 1 Gambar 3.1.5 merupakan hasil penjabaran dari data flow diagram level 0. Pada diagram level 0 hanya ada 1 proses yang digambarkan sebagai sistem yang akan dibuat. Setelah dijabarkan sistem tersebut memiliki 2 proses yaitu proses pengujian dan pengenalan. Pada proses 1 pengenalan menggunakan data training untuk dijadikan sebagai template. Proses ini membutuhkan input data dari user berupa citra E-KTP. Setelah dilakukan input maka proses pengolahan data akan bekerja dan memberikan output kepada user berupa hasil identifikasi NIK dan waktu identifikasi. Proses 2 yaitu pengujian, proses ini merupakan proses akhir dari hasil data testing. Pada proses 2 tidak terdapat input dari user, namun proses ini akan memberikan output kepada user berupa nilai dari akurasi sistem..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 27. 1.1 User. Citra E-KTP. Preprocessing. 1.2 Hasil Karakter. Ekstraksi Ciri. Ciri. 1.3 Hasil NIK. Klasifikasi. Data Training. Gambar 3.1.6 Data Flow Diagram Level 2 Gambar 3.1.6 merupakan hasil penjabaran dari data flow diagram level 1. Pada data flow diagram level 2 ini akan menjabarkan dari proses pengenalan. Pada level 2 ini proses pengolahan data dijabarkan menjadi 4 proses besar yaitu proses preprocessing, ekstraksi ciri ,klasifikasi dan postprocessing. Tahap preprocessing dilakukan untuk mengolah data sebelum dilakukan pengenalan suatu karakter. Hasil preprocessing kemudian diproses menjadi suatu ciri masing – masing karakter. Setelah proses preprocessing menghasilkan output maka akan digunakan pada proses pengenalan karakter. Proses pengenalan karakter mendapatkan input data berupa hasil segmentasi tiap karakter. Proses pengenalan karakter akan melakukan ekstraksi ciri tiap karakter. Setelah proses pengenalan karakter maka hasilnya akan menjadi input untuk proses penggabungan karaker. Proses penggabungan akan menggabungkan seluruh karakter yang sudah dikenali pada proses sebelumnya. Setelah prosesnya dikerjakan maka akan menghasilkan output berupa nomor NIK. Proses terakhir dari pengolahan data adalah proses untuk tampil data. Proses tampil hasil mendaptkan input hasil penggabungan karakter berupa nomor NIK. Proses tampil hasil akan menampilkan hasil output sama seperti input berupa nomor NIK..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 28. 1.1.1 User. Citra E-KTP. Resizing. 1.1.2 Citra resize. Grayscaling. Citra grayscale. 1.1.5. 1.1.4. 1.1.3. Resizing. Segmentasi. Binarisasi. Gambar 3.1.7 Data Flow Diagram Level 3 Preprocessing. Gambar 3.1.7 merupakan hasil penjabaran dari data flow diagram level 2 dari tahap preprocessing. Pada level 3 ini proses pengolahan data dijabarkan menjadi 5 proses yaitu proses resizing, grayscaling, binarisasi, segmentasi, dan resizing. Tahap resizing dilakukan supaya proses akan lebih cepat dan ukuran gambar tidak terlalu besar. Proses grayscaling merupakan proses pertama yang mendapatkan input dari external entity berupa citra RGB E-KTP. Setelah proses grayscaling selesai maka hasil output akan dijadikan. sebagai. input. proses. binarisasi.. Proses. binarisasi. mendapatkan input dari proses grayscaling berupa citra grayscale. Setelah mendapatkan input maka proses binarisasi akan bekerja untuk mengubah citra grayscale menjadi citra biner. Setelah proses binarisasi selesai maka hasil output akan dijadikan input untuk proses segmentasi. Proses segmentasi mendapatkan input berupa citra biner, setelah mendapatkan input maka proses segmentasi dapat dikerjakan. Jika proses segmentasi sudah selesai maka dilakukan resizing lagi untuk menyamakan ukuran masing – masing karakter..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 29. Proses awal resizing dilakukan dengan menggunakan toolbox Matlab yaitu fungsi imresize(). Selanjutnya grayscaling dilakukan dengan menggunakan toolbox pada Matlab yaitu fungsi rgb2gray(). Proses binarisasi dilakukan untuk mengubah citra grayscale menjadi citra biner. Proses binarisasi dilakukan dengan menggunakan toolbox Matlab yaitu fungsi imbinarize(). Tahap segmentasi menggunakan metode profil proyeksi. Profil proyeksi digunakan untuk memisahkan tiap karakter. Selain itu profil proyeksi digunakan untuk mencari letak karakter objek yang akan digunakan menggunakan proyeksi horizontal. Setelah karakter sudah terpisah proses selanjutnya adalah resizing, proses ini dilakukan dengan menggunakan toolbox Matlab yaitu fungsi imresize().. Citra biner. 1.1.4.1. 1.1.4.2. Segmentasi Vertikal. Segmentasi Horizontal. karakter. Gambar 3.1.8 Data Flow Diagram Level 4 Segmentasi. Gambar 3.1.8 merupakan proses aliran data untuk subproses segmentasi. Pada level 4 segmentasi ini mendapatkan input awal berupa citra biner kemudian akan masuk ke proses segmentasi vertikal. Setelah proses segmentasi vertikal akan menghasilkan output berupa baris dengan hasil NIK. Output dari segmentasi vertikal akan menjadi input bagi proses segmentasi horizontal. Segmentasi horizontal akan melakukan segmentasi karakter. Setelah proses ini selesai dilakukan maka output nya berupa karakter yang sudah saling terpisah. Berikut merupakan modul untuk subproses dari preprocessing yaitu proses segmentasi :.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 30. a.. Proyeksi Vertikal Input. : citra biner. Output. : baris NIK. Pada proses vertikal proyeksi dilakukan proses penghapusan foto dengan cara mencari objek yang panjangnya lebih dari 20 dan lebarnya lebih dari 12. Angka tersebut didapat berdasarkan hasil percobaan yang dilakukan pada data – data yang sudah didapatkan. Jika memenuhi syarat tersebut maka nilai pikselnya akan sama dengan 0. Proses segmentasi memiliki banyak syarat. Pada proses vertikal proyeksi terdapat tahap untuk menghapus noise. Setelah dilakukan vertikal proyeksi jika jumlah setiap baris kurang dari 10 piksel maka itu dianggap noise. Angka tersebut didapat dari hasil percobaan yang dilakukan kurang lebih dari 20 data. Selain itu pada tahap vertikal proyeksi juga menggunakan nilai pasti untuk menentukan batas standar tinggi dari NIK. Nilai rata-rata setiap NIK 14.45 dan nilai standar deviasi sebesar 2.15. Angka tersebut didapat dari perhitungan dari 69 data, setiap data akan diukur tingginya. Namun nilai maksimal yang digunakan tidak memakai nilai rata-rata NIK ditambah dengan nilai standar deviasi NIK, karena pada beberapa kasus terdapat NIK yang tingginya melebihi batas. Sehingga pada penelitian ini mengambil nilai maksimal tinggi NIK sebesar 22 didapat dari hasil tinggi maksimal dari data yang dimiliki. Variabel batas nilainya adalah 6. Angka tersebt didapat dari hasil percobaan. Setelah dilakukan percobaan dari data yang sudah dimiliki tidak semua NIK terletak pada baris ketiga sehingga diperlukan rentang sampai 6 supaya data yang letak NIK nya tidak pada baris ketiga tetap berhasil dilakukan segmentasi..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 31. Variabel standar nilainya adalah 12. Angka tersebut didapat dari nilai minbar. Jika tinggi NIK kurang dari standar atau letak barisnya kurang dari 3 maka dianggap bukan NIK. Algoritma segmentasi vertikal sebagai berikut : 1.. Baca file dan konversi citra hingga mendapatkan citra biner.. 2.. Setelah dikonversi akan menggunakan fungsi hapus foto (fungsi yang digunakan untuk menghapus objek dengan panjang > 20 dan leb > 12). Fungsi tersebut menggunakan boundingbox.. 3.. Hasil citra biner akan diproses untuk mendapatkan ukuran baris dan kolom.. 4.. Menghitung nilai piksel putih atau objek pada setiap kolom untuk semua baris menggunakan fungsi sum pada matlab simpan pada suatu variabel verproj.. 5.. Lakukan looping dari i = 1 sampai panjang verproj.. 6.. Cek apakah verproj ke i kurang dari 10, jika ya maka nilai verproj = 0. Tahap ini digunakan untuk menghilangkan noise.. 7.. Kemudian. cari. boundingbox. nya.. Setelah. didapat. boundingbox akan diperoleh lokasi kolom mulai suatu baris dan panjang barisnya. 8.. Menentukan nilai tinggi rata-rata NIK = 14.45 dan nilai standar deviasi NIK = 2.15. Tentukan nilai minbar = round(rata-rata NIK – standar deviasi NIK) dan nilai maxbar = 22.. 9.. Lakukan looping dari i = 1 sampai banyak baris yang ditemukan.. 10. Kemudian potong sesuai dengan batas – batas yang sudah ditemukan. 11. Simpan ukuran baris setiap baris yang sudah tercrop dalam variabel totalb. 12. Kemudian cek jika i < batas , jika ya maka lakukan tahap 13.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 32. 13. Cek apakah totalb < standar atau i < 3, jika ya maka tambahkan i dengan 1. 14. Cek apakah totalb >= minbar dan totalb <= maxbar 15. Jika ya maka akan disimpan sebagai objek yang sukses. Selain itu lakukan dilasi untuk mengatasi karakter yang piksel – piksel penghubung karakter hilang.. b.. Proyeksi Horizontal Input. : citra hasil segmentasi vertikal. Output. : karakter angka. Variabel pada proyeksi horizontal batas nilainya 5 dan leb nilainya 6. Angka tersebut digunakan karena pada baris NIK nomor akan dimulai pada karakter ke 5 sewajarnya. Untuk nilai leb didapatkan dari hasil penelitian, pada nomor NIK memiliki kolom lebih dari 6. Variabel mulai memiliki nilai 5, akhir memiliki nilai 23 dan variabel stop memiliki nilai 17. Nilai – nilai tersebut digunakan karena dianggap sudah dapat menyaring angka NIK. Nilai variabel mulai karena nomor NIK berada pada karakter ke 5 dan untuk variabel akhir digunakan 23 karena rentang tersebut dianggap sudah cukup untuk mendapatkan semua nomor NIK. Nilai 23 didapat dari hasil percobaan dari beberapa data yang dimiliki dan mengecek jika data buruk yang digunakan. Nilai stop digunakan 17 karena jumlah nomor NIK sebanyak 16 angka. Variabel lebarkarakter nilainya 16 hasil tersebut didapatkan dari hasil percobaan yang dilakukan dengan mengamati nilai – nilai dari lebar karakter dari 10 data angka E-KTP. Selain itu variabel karaktermin memiliki nilai 10, nilai tersebut digunakan untuk menentukan lebar minimum dari sebuah karakter normal. Hasil nilai karaktermin didapat dari hasil perhitungan dari percobaan 10 data E-KTP dengan menghitung nilai rata – rata lebar karakter.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 33. dikurangi dengan standar deviasi. Sedangkan variabel karaktermax dengan nilai 16 merupakan nilai yang diperoleh dari hasil percobaan. Apabila digunakan nilai rata – rata dijumlahkan dengan nilai dari standar deviasi maka hasilnya akan lebih buruk. Hal ini disebabkan karena ada beberapa karakter yang mimiliki banyak noise disekitar karakter oleh karena itu lebar suatu karakter dapat bertambah. Kemudian dilakukan percobaan dan melihat dari 10 data dengan menentukan nilai maksimal dari data tersebut. Algoritma segmentasi horizontal sebagai berikut : 1.. Lakukan tahap horizontal proyeksi dengan menghitung nilai piksel putih atau objek pada setiap baris untuk semua kolom menggunakan fungsi sum pada matlab simpan pada suatu variabel horproj.. 2.. Kemudian. cari. boundingbox. nya.. Setelah. didapat. boundingbox akan diperoleh lokasi kolom mulai suatu karakter dan panjang karakternya. 3.. Buat atribut bantu = 1.. 4.. Lakukan looping dari i = 1 sampai panjang objeknya. 5.. Cek apakah objek ke i = 1 sampai i < batas lebar karakternya < leb, jika ya maka i++. Karena suatu karakter lebarnya akan lebih dari 6.. 6.. Cek ketika i >= mulai dan i <= akhir jika ya maka cek lagi apakah nilai bantu < stop , jika ya maka lakukan cropping sesuai dengan batas – batas dari bounding box nya kemudian simpan dalam variabel objectHor.. 7.. Cek lagi apakah ukuran kolom objectHor > lebarkarakter, jika ya maka cari lagi bounding box nya karena dimungkinkan memiliki objek lebih dari 1 dan lakukan langkah 8 – 11. Jika tidak maka lakukan langkah 12.. 8.. Cek apakah objek lebih dari 1, jika ya maka akan dilakukan looping sebanyak jumlah objeknya..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 34. 9.. Lakukan cropping dari hasil bounding box dari masing – masing objek yang didapatkan dan simpan dalam variabel objectHor1.. 10. Kemudian cek lagi apakah ukuran dari setiap objectHor1 memiliki ukuran lebar >= karaktermin dan <= karaktermax, jika ya maka simpan objectHor1 kedalam variabel objectHor2 dan Jumlahkan variabel bantu dengan 1. Jika tidak maka lakukan langkah 11. 11. Jika tidak maka jumlahkan variabel looping dengan 1. 12. Cari bounding box dari objectHor 13. Cek apakah objek tersebut memiliki bounding box lebih dari 1, jika ya maka simpan variabel objectHor kedalam variabel objectHor2. Jika tidak maka lakukan langkah 14. 14. Lakukan cropping hasil objectHor berdasarkaan nilai bounding box dan simpan hasilnya kedalam variabel objectHor2. 15. Jumlahkan variabel bantu dengan 1. 16. Samakan ukuran masing – masing objek, ukuran yang digunakan yaitu 16 x 10. Ukuran tersebut dinilai cukup, karena tidak menghilangkan piksel – piksel yang mengurangi ciri sebuah citra..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 35. 1.2.1 Nilai normalisasi momen pusat. Momen Hu. Nilai momen invarian. Ciri. 1.2.2 Hasil Karakter. Intensity of Character. Nilai IoC. Gambar 3.1.8 Data Flow Diagram Level 3 Feature Extraction. Gambar 3.1.8 merupakan hasil penjabaran dari data flow diagram level 2 subproses feature extraction. Pada level 3 ini memiliki 2 proses utama yaitu proses momen invarian dan proses intensity of character. Proses pertama akan menghitung ciri dari momen invarian sebanyak 7 ciri, sedangkan proses kedua juga akan menghasilkan ciri sebanyak 3 ciri. Proses momen Hu yaitu proses untuk menghitung nilai area dari setiap karakter. Momen Hu merupakan proses besar dari sebuah ekstraksi ciri. Masih ada subsistem yang akan menjabarkan proses tersebut. Proses intensity of character yaitu proses yang digunakan untuk melakukan ekstraksi ciri dengan menghitung nilai piksel berwarna putih pada setiap zona. Untuk mengaplikasikannya diperlukan sebuah algoritma. Berikut merupakan modul untuk subproses dari feature extraction yaitu proses intensity of character : a. Intensity of Character Input. : karakter angka. Output. : ciri.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 36. Algoritma Intensity of Character sebagai berikut : 1.. Input berupa objek karakter yang sudah dibagi menjadi 3 zona horizontal. 2.. Setiap zona akan dibagi lagi menjadi 3 zona secara vertikal.. 3.. Buat variabel intensitas1 = 0, intensitas2 = 0 , intensitas3 = 0. 4.. Lakukan looping i sebanyak baris untuk zona vertikal 1. 5.. Lakukan looping j sebanyak kolom untuk zona vertikal 1. 6.. Cek apakah gambar(i,j) sama dengan 1, ya langkah 7. 7.. Jumlahkan intensitas1 dengan 1. 8.. Lakukan looping i sebanyak baris untuk zona vertikal 2. 9.. Lakukan looping j sebanyak kolom untuk zona vertikal 2. 10. Cek apakah gambar(i,j) sama dengan 1, ya langkah 11 11. Jumlahkan intensitas2 dengan 1 12. Lakukan looping i sebanyak baris untuk zona vertikal 3 13. Lakukan looping j sebanyak kolom untuk zona vertikal 3 14. Cek apakah gambar(i,j) sama dengan 1, ya langkah 15 15. Jumlahkan intensitas3 dengan 1. 1.2.1.1 Hasil Karakter, orde1, orde2. Momen Spasial. 1.2.1.2 Nilai momen spasial. Momen Pusat. Nilai momen pusat. 1.2.1.4 Nilai momen invarian. Momen Invarian. 1.2.1.3 Nilai normalisasi momen pusat. Normalisasi Momen Pusat. Gambar 3.1.9 Data Flow Diagram Level 4 Momen Hu.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 37. Gambar 3.1.9 merupakan hasil penjabaran dari data flow diagram level 4 subproses momen invarian. Pada proses momen invarian membutuhkan proses lain antara lain momen spasil, momen pusat dan momen pusat ternormalisasi. Momen spasial akan menerima input berupa hasil karakter, nilai orde1 dan nilai orde2. Setelah masing – masing karakter dihitung nilai momen spasial maka hasil nya akan menjadi input untuk proses momen pusat. Momen pusat akan menghitung momen spasial yang dihitung relatif terhadap pusat massa. Setelah momen pusat berhasil dihitung maka akan menjadi input untuk proses normalisasi momen pusat. Agar momen invarian dapat dihitung maka diperlukan nilai dari normalisasi momen pusat. Berikut merupakan modul untuk subproses dari momen invarian sebagai berikut : a. Momen Spasial Input. : karakter angka, orde1 = 0 orde2 = 0, orde1 = 1 orde2 = 0, orde1 = 0 orde2 = 1. Output. : nilai momen spasil. Algoritma momen spasial sebagai berikut : 1. Masukan citra biner I 2. Simpan ukuran citra I ke (baris , kolom) 3. Membuat atribut untuk menyimpan nilai momen spasial dengan nilai awal 0 4. Lakukan perulangan i = 1 sampai baris 5. Lakukan perulangan j = 1 sampai kolom 6. Cek apakah citra I(i,j) tidak sama dengan 0 7. Jika ya maka nilai momen spasial akan dijumlahkan dengan nilai I pangkat nilai orde momen dikali dengan nilai j pangkat orde momen kedua.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 38. b. Momen Pusat Input. : nilai momen spasial00, nilai momen spasial10, nilai momen spasial01, orde1, orde2. Output. : nilai momen pusat. Algoritma momen spasial sebagai berikut : 1. Masukan citra biner I 2. Simpan ukuran citra I ke (baris , kolom) 3. Membuat atribut untuk menyimpan nilai momen pusat sama dengan nilai awal 0 4. Menghitung nilai 𝑥̅ dengan menggunakan momen spasial berorde 1 dan 0 dibagi dengan momen spasial berorde 0 dan 0 5. Menghitung nilai 𝑦̅ dengan menggunakan momen spasial berorde 0 dan 1 dibagi dengan momen spasial berorde 0 dan 0 6. Lakukan perulangan i = 1 sampai baris 7. Lakukan perulangan j = 1 sampai kolom 8. Cek apakah citra I(i,j) tidak sama dengan 0 9. Jika ya maka nilai momen pusat akan dijumlahkan dengan nilai (kolom ke j – nilai 𝑥̅ ) pangkat nilai orde momen dikalikan dengan nilai (baris ke j – nilai 𝑦̅) pangkat nilai orde momen. c. Momen Pusat Normalisasi Input. : nilai momen spasial00, orde1 , orde2. Output. : nilai momen pusat. Algoritma momen spasial sebagai berikut : 1.. Masukan citra biner I. 2.. Simpan ukuran citra I ke (baris , kolom). 3.. Menghitung nilai momen spasial berorde 0 dan 0.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 39. 4.. Menghitung nilai normalisasi dengan hasil nomor 3 dipangkatkan dengan jumlah orde momen ditambah 2 dibagi 2. 5.. Membuat variabel hasil untuk menyimpan hasil dari moment pusat dibagi dengan hasil normalisasi nomor 4. d. Momen Invariant Input. : nilai normalisasi momen pusat. Output. : nilai momen pusat. Algoritma momen spasial sebagai berikut : 1.. Masukan citra biner I. 2.. Simpan ukuran citra I ke (baris , kolom). 3.. Membuat variabel untuk menghitung momen normalisasi dengan orde momen 2 dan 0. 4.. Membuat variabel untuk menghitung momen normalisasi dengan orde momen 0 dan 2. 5.. Membuat variabel untuk menghitung momen normalisasi dengan orde momen 3 dan 0. 6.. Membuat variabel untuk menghitung momen normalisasi dengan orde momen 1 dan 2. 7.. Membuat variabel untuk menghitung momen normalisasi dengan orde momen 2 dan 1. 8.. Membuat variabel untuk menghitung momen normalisasi dengan orde momen 0 dan 3. 9.. Membuat variabel untuk menghitung momen normalisasi dengan orde momen 1 dan 1. 10. Membuat variabel untuk menyimpan hasil dari momen 1 dengan rumus 2.2.3 11. Membuat variabel untuk menyimpan hasil dari momen 2 dengan rumus 2.2.4.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 40. 12. Membuat variabel untuk menyimpan hasil dari momen 3 dengan rumus 2.2.5 13. Membuat variabel untuk menyimpan hasil dari momen 4 dengan rumus 2.2.6 14. Membuat variabel untuk menyimpan hasil dari momen 5 dengan rumus 2.2.7 15. Membuat variabel untuk menyimpan hasil dari momen 6 dengan rumus 2.2.8 16. Membuat variabel untuk menyimpan hasil dari momen 7 dengan rumus 2.2.9. 1.3.1 Ciri karakter. Euclidean Distance. 1.3.2 Nilai jarak ke semua database. Minimum Jarak. Nilai min dan label. Gambar 3.2.1 Data Flow Diagram Level 3 Klasifikasi. Gambar 3.2.1 menunjukan diagram level 3 dari sub proses klasifikasi. Tahap klasifikasi yang digunakan dengan menggunakan template matching. Proses hitung jarak akan menghitung jarak antara ciri karakter data testing dengan semua data pada database. Setelah proses hitung jarak selesai hasilnya berupa nilai jarak dari semua database. Hasil tersebut akan menjadi input tahap minimum jarak, tahap tersebut akan mencari jarak yang paling kecil dari setiap karakter kemudian mengambil labelnya. Setelah proses selesai maka akan terlihat hasil output berupa nilai min dan labelnya..