ilmu komputer

(1)

(2)

Jurnal

Volume 7 Nomor 2, September 2014 Daftar Isi :

ANALISIS PROTOKOL TCP RENO DAN TCP NEW RENO PADA TRAFFIK CBR ...1-5 Kadek Agus Permana Putra, Made Widhi Wirawan

PEMANFAATAN MIKROTIK DALAM MANAJEMEN BANDWIDTH BERDASARKAN JENIS FILE DAN PENGAMATAN PENGGUNAAN DUALINE ISP STUDI KASUS PT PLN (PERSERO), AREA BALI SELATAN, RAYON KUTA ...6-11 I Dewa Gede Bayu Dinanta, I Gede Santi Astawa IMPLEMENTASI THIN CLIENT DENGAN PROTOKOL REMOTE FRAME BUFFER .12-18

I Wayan Indra Lesmawan, I Made Widhi Wirawan IMPLEMENTASI SISTEM INFORMASI MOBILE SALES FORCE AUTOMATION (SFA) PT. ASTRA INTERNASIONAL TBK. –HONDA ... 19-26

I Komang Arya Ganda Wiguna, Agus Muliantara

IMPLEMENTASI METODE COMBINED CROSS-POINT NUMBER (CCN) DALAM PENGENALAN TANDA JAWABAN PADA LEMBAR JAWABAN KOMPUTER SILANG ... 27-33 I Wayan Punia Raharja, Agus Muliantara PERANCANGAN SISTEM BILLING HOTSPOT

PADA UD SURYA MANDIRI ... 34-39 I Nyoman Mahayasa AdiPutra, I Made Widhi Wirawan

JURUSAN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS UDAYANA

DENPASAR

(3)

SUSUNAN DEWAN REDAKSI JURNAL ILMU KOMPUTER

Jurusan Ilmu Komputer

Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Udayana

Ketua

Agus Muliantara, S.Kom, M.Kom

Penyunting

Drs. Wayan Santiyasa, M.Si Ngurah Agus Sanjaya, S.Kom, M.Kom Cokorda Rai Adi Paramarta, S.T, M.M Ida Bagus Gede Dwidasmara, S.Kom.M.Cs

Penyunting Tamu

Imas Sitanggang, S.Si, M.Kom (IPB) Ir. A.A. Gede Raka Dalem, M.Sc (Hons)

Prof. Pieter Hartel (Twente University)

Pelaksana

I Made Widiartha, S.Si, M.Kom Dra. Luh Gede Astuti, M.Kom

Gede Santi Astawa, ST, M.Cs Ida Bagus Mahendra, S.Kom, M.Kom

Alamat Redaksi Jurusan Ilmu Komputer

Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Udayana

Kampus Bukit Jimbaran – Badung Telpon. 0361 – 701805 Email : [email protected]

Website : www.cs.unud.ac.id

ISSN : 1979-5661

(4)

Vol. 7, No.2, September 2014 ISSN 1979-5661

27 Implementasi Metode Combined Cross-point Number (CCN) dalam Pengenalan Tanda Jawaban pada Lembar Jawaban Komputer Silang

I Wayan Punia Raharja, Agus Muliantara.

Program Studi Teknik Informatika, Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana.

Email: [email protected], [email protected]

Abstrak

Penggunaan Lembar Jawaban Komputer (LJK) Silang dapat mengatasi beberapa masalah yang ada pada LJK biasa. Masalah pada LJK biasa yang ada seperti kesalahan pembacaan karena bulatan yang kurang hitam, waktu pengisian yang lama dan pengisian yang menuntut kehati-hatian Sistem pemeriksa LJK Silang dapat dibangun menggunakan teknologi Pengolahan Citra Digital. Dalam sistem tersebut diperlukan metode yang dapat mengenali tanda jawaban pada LJK silang. Dari sudut pandang morfologi, tanda jawaban pada LJK silang dapat dikenali berdasarkan jumlah crossover point dan titik ujungnya menggunakan metode Combined Cross-point Number (CCN). Nilai cpnSCN dan cpnMCN pada metode CCN digunakan sebagai atribut untuk membangun aturan yang dapat mengklasifikasi tanda jawaban.

Nilai cpnSCN yang mungkin terdiri dari 1,2,3,4 dan cpnMCN yang mungkin terdiri dari 1,2,3,4,5,6,7,8.

Metode CCN menghasilkan aturan klasifikasi yang bagus dengan akurasi dalam mengenali tanda jawaban berupa tanda silang, tanda silang di coret ganda dan karakter lain.

Kata Kunci: Pengenalan Tanda Jawaban, LJK silang, CCN.

Abstract

Use of Lembar Jawaban Komputer(LJK) Silang (known as Computer Cross Mark Multiple-Choise Test Answers Sheet) can solve some problems in ordinary Computer Multiple-Choise Test Answers Sheet.

Problems in ordinary LJK such as reading errors due to the lack of black marks, marking answers takes a long time and marking answers requires extra caution. LJK Silang examiner system can be built using Digital Image Processing Technology. In such a system required a method that can identify the answers mark of LJK Silang. From the morphological point of view, answers mark on LJK Silang is recognizable by the number of it crossover points and end points using Combined Cross-Point Number (CCN) method.

CpnSCN and cpnMCN value of CCN method is used as attributes to build rules that can classify the answers mark. Possible CpnSCN value consist of 1,2,3,4 and Possible cpnMCN value consist of 1,2,3,4,5,6,7,8. CCN method generate good classification rules with 93.83% accuracy in recognizing answers include cross mark, cross with double line mark and other mark characters.

Keywords: Answers Mark Recognition, LJK Silang, CCN

(5)

28

1. Pendahuluan

Penggunaan Lembar jawaban komputer (LJK) sekarang banyak digunakan dalam bidang pendidikan. Contohnya adalah penggunaan LJK dalam Ujian Nasional, Ujian Masuk Perguruan Tinggi, tes TOEFL dan lain-lain. Pengisian LJK saat ini didominasi oleh lembar jawaban yang harus diisi dengan bulatan penuh menggunakan pensil 2B.

Cara pengisian yang mengharuskan bulatan penuh menuntut kehati-hatian dan kadang menjadi momok yang menakutkan bagi siswa.

Dari segi waktu, membuat bulatan penuh, menghapus dan mengganti jawaban pada LJK membutuhkan waktu yang lebih lama dibandingkan cara yang sudah umum sebelum penggunaan LJK yaitu dengan cara menyilang.

Kesalahan yang diakibatkan oleh pengisian bulatan yang kurang hitam dapat diatasi dengan menganti metode pengisian jawaban dari membulatkan ke menyilang. Dengan menyilang maka pengisian jawaban akan lebih cepat dan mudah. Selain itu, peserta ujian juga dapat fokus pada soal daripada menghabiskan waktu untuk mengisi bulatan penuh.

Pada penelitian ini akan difokuskan dalam pengenalan tulisan tangan berupa tanda jawaban pada LJK. Klasifikasi ini diperlukan agar sistem pemeriksa LJK silang dapat memeriksa LJK dengan akurat. Tanda jawaban pada LJK terdiri dari tanda silang dan tanda silang yang dicoret ganda.

Metode yang digunakan untuk mengenali tanda jawaban adalah metode Combined Cross-Point Number (CCN). Metode ini digunakan untuk mendeteksi crossover point [1]. Menurut penulis, metode ini tepat karena secara kasat mata tanda silang dan tanda silang dicoret ganda memiliki morfologi yang khas yaitu pada jumlah crossover point dan jumlah titik ujungnya. Sehingga metode CCN diharapkan dapat mengenali tanda jawaban secara akurat.

Dari penelitian dini diharapkan dapat diketahui bagaimana menerapkan metode CCN dalam mengenali tanda jawaban pada LJK silang dan mengukur akurasinya.

2. Pengolahan Citra Digital

Citra digital merupakan sebuah larik (array) yang berisi nilai real maupun kompleks yang direpresentasikan dengan deretan bit tertentu.

Suatu citra dapat di definisikan sebagai fungsi f(x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spatial, dan amplitudo

f di titik koordinat (x,y) dinamakan intensitas atau tingkat keabuan dari citra tersebut. Apabila nilai x,y dan nilai amplitudo f secara keseluruhan bernilai diskrit maka dikatakan bahwa citra tersebut adalah citra digital. [2].

Gambar 1. menunjukkan posisi koordinat citra digital.

Gambar 1. Koordinat Citra Digital [3]

Citra biner adalah citra yang mempunyai dua nilai derajat keabuan: hitam dan putih. Piksel- piksel objek bernilai 1 dan piksel-piksel latar belakang bernilai 0. Pada waktu menampilkan gambar, 0 adalah putih dan 1 adalah hitam. Jadi, pada citra biner, latar belakang berwarna putih sedangkan objek berwarna hitam. [3]

Pengkonversian citra hitam-putih (grayscale) menjadi citra biner dilakukan untuk alasan- alasan sebagai berikut:

1. Untuk mengidentifikasi keberadaan objek, yang direpresentasikan sebagai daerah (region) di dalam citra.

2. Untuk lebih memfokuskan pada analisis bentuk morfologi, yang dalam hal ini intensitas piksel tidak terlalu penting dibandingkan bentuknya.

3. Untuk menampilkan citra pada piranti keluaran yang hanya mempunyai resolusi intensitas satu bit, yaitu piranti penampil dua-aras atau biner.

Meskipun sebuah citra kaya informasi, namun seringkali citra yang kita miliki mengalami penurunan mutu (degradasi), misalnya mengandung cacat atau derau (noise), warnanya terlalu kontras, kurang tajam, kabur (blurring), dan sebagainya. Agar citra yang mengalami gangguan mudah diinterpretasi (baik oleh manusia maupun mesin), maka citra tersebut perlu dimanipulasi menjadi citra lain yang kualitasnya lebih baik. Pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Umumnya, operasi- operasi pada pengolahan citra diterapkan pada citra bila;

(6)

29

1. Perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan kualitas penampakan atau untuk menonjolkan beberapa aspek informasi yang terkandung di dalam citra,

2. Elemen di dalam citra perlu dikelompokkan, dicocokkan, atau diukur.

3. Sebagian citra perlu digabung dengan bagian citra yang lain. [3]

3. Combined Cross-Point Number (CCN)

Metode CCN diawali oleh metode yang bernama Simple Cross-point Number (SCN).

SCN metode yang menggunakan sebuah jendela 3x3 dengan 8 piksel yang mengelilinginya (gambar 2) untuk mendeteksi titik tertentu seperti crossover points. Sebuah titik disebut crossover point jika cpnSCN=4, dimana cpnSCN

bisa dihitung menggunakan rumus berikut dengan P9=P1.











⁸

1

2

1

n

n n

SCN

P P

cpn

(1)

Gambar 2. Jendela 3x3 yang digunakan dalam metode SCN. [1]

Metode SCN berkerja dengan baik dalam mendeteksi bifurcation point (cpnSCN=3) tapi kadang-kadang gagal dalam mendeteksi crossover point karena operasi morfologi dilakukan pada gambar. Proses skeletonization atau penipisan telah mengkonversi banyak crossover point menjadi dua bifurcation point tergantung pada sudut dan ketebalan persimpangan, sehingga membuat penggunaan SCN tidak cocok untuk deteksi total crossover point.

Metode yang lain selain SCN adalah metode Modified Cross-point Number (MCN). Metode MCN menggunakan jendela 5x5 dengan 16 piksel yang mengelilingi titik pusat untuk

mendeteksi crossover point (gambar 3). Rumus untuk menghitung cpnMCN adalah:











¹⁶

1

2

1

n

n n

MCN

P P

cpn

(2)

Gambar 3. Jendela 5x5 yang digunakan dalam metode MCN. [1]

Metode CCN juga menggunakan jendela 5x5 untuk mendeteksi crossover point namun dengan sedikit modifikasi pada konfigurasinya.

Jendela yang digunakan terdiri dari piksel pusat yang dikelilingi oleh 8 piksel pada lapisan dalamnya dan dikelilingi lagi oleh 16 piksel pada lapisan luarnya (gambar 4). Menghitung cpnSCN dan cpnMCN dapat dilakukan menggunakan rumus:



 









8

1

1 16

1

2 1 2 1

n

n n SCN

n

n n MCN

P P cpn

(3)

Gambar 4. Jendela 5x5 yang digunakan dalam metode CCN. [1]

(7)

30

Contoh penggunaan metode CCN untuk mendeteksi titik crossover point (ccnSCN = 4, ccnMCN = 4) ditunjukan oleh gambar 5.

Gambar 5. Contoh penggunaan metode CCN 4. Pengolahan Data Awal

Dalam penelitian ini jenis data citra yang digunakan adalah data primer yang dikumpulkan sendiri dengan men-scan LJK silang yang telah berisi jawaban. Contoh LJK silang ditunjukan oleh gambar 7. Citra tanda jawaban akan diambil dari hasil segmentasi citra LJK silang untuk digunakan sebagai data analisis dan data testing dengan format citra berupa .bmp. Dimensi untuk data pelatihan berukuran 47x47 piksel yang di resize menjadi 100x100 piksel. Masing-masing kategori berjumlah 170.

Gambar 6. Contoh LJK.

Citra harus mengalami preprocessing sebelum diklasifikasi, tujuannya adalah untuk meningkatkan kualitas citra, menghilangkan properti yang tidak dibutuhkan dan memperoleh skeleton objek yang bagus. Tahapan preprocessing adalah sebagai berikut:

 Tahap 1:Konversi Citra ke Citra Grayscale:

Citra input yang berukuran 100x100 piksel pada gambar 7(a) akan diubah menjadi citra grayscale. Konversi citra RGB ke citra Grayscale menggunakan fungsi Convert<Gray,Byte> pada EmguCV.

Tampilan citra hasil konversinya ditunjukan oleh gambar 7(b).

 Tahap 2:Konversi Citra Grayscale ke Citra Biner: Dengan nilai threshold maksimum sebesar 200, citra grayscale akan diubah ke citra biner. Pengubahan ke dalam citra biner menggunakan global image thresholding.

Fungsi EmguCV yang digunakan adalah InRange dan menghasilkan tampilan sesuai dengan gambar 7(c).

 Tahap 3: Dilasi: Dilasi adalah operasi morphologi yang akan menambahkan pixel pada batas antar objek dalam suatu citra digital. Sehingga ukuran objek jika di dilasi akan lebih besar jika dibandingkan dengan ukuran objek aslinya. [4] Pada penelitian ini, objek akan di dilasi menggunakan struktur elemen 3x3 sebanyak 1 iterasi. Gambar yang telah di binerisasi akan di dilasi

(8)

31

menggunakan fungsi pada EmguCv yaitu Dilate. Hasilnya ditunjukan oleh gambar 7.(d).

 Tahap 4: Penghilangan Objek Kecil: Pada tahap ini adalah penghilangan semua objek terhubung pada citra biner yang jumlah pixelnya kurang dari nilai tertentu. Fungsi yang digunakan adalah BwAreaOpen pada matlab yang diterjemahkan ke C#

menggunakan beberapa fungsi EmguCv.

Tujuanya adalah untuk menghilangkan objek yang tidak diinginkan seperti noise sehingga tidak menggangu saat klasifikasi.

Sebelumnya, citra harus diubah ukuranya menjadi 40x40 piksel untuk mengurangi beban komputasi algoritma ini. Hasilnya ditunjukan oleh gambar 7(e).

 Tahap 5:Thinning: Proses selanjutnya adalah proses thinning atau penipisan.

Proses ini akan menghasilkan skeleton berupa bentuk dasar dari objek yang ingin kita klasifikasi. Metode yang digunakan adalah algotirma Zhang-Suen [5]. Hasilnya ditunjukan oleh gambar 7(f).

Gambar 7. Tampilan data pada preprocessing:

(a) citra input, (b) citra grayscale, (c) citra biner, (d) citra terdilasi, (e), citra tanpa noise, (f)

citra skeleton.

5. Penentuan Aturan Klasifikasi

Langkah pertama adalah mengetahui atribut yang tepat untuk digunakan sebagai aturan klasifikasi. Atribut yang digunakan adalah kombinasi nilai cpnSCN dan cpnMCN yang diseleksi. Nilai cpnSCN yang mungkin adalah 1,2,3,4 sedangkan nilai cpnMCN yang mungkin adalah 1,2,3,4,5,6,7,8. Semua nilai yang mungkin akan dikombinasikan menjadi atribut kecuali (cpn SCN,cpnMCN) = (2,2). Atribut tersebut menunjukan jumlah piksel objeknya

sehingga tidak tepat jika digunakan untuk mengklasifikasi.

Metode yang digunakan untuk menghitung jumlah titik setiap atribut pada suatu citra adalah metode CCN. Data yang digunakan terdiri dari 170 buah citra tanda silang dan 170 buah citra tanda silang dicoret ganda. Atribut diseleksi dengan bantuan tools WEKA 3.1.10 dengan Search Method: Attribute ranking dan Attribute Evaluator: OneR feature evaluator. Ranking dan nilai setiap atribut ditunjukan oleh tabel 1.

Tabel 4

Ranking dan nilai atribut

Rank Atribut Nilai Rank Atribut Nilai

1 1,1 97.941 17 4,8 50

2 2,1 97.647 18 4,7 50

3 3,3 95.882 19 4,1 50

4 2,3 95.294 20 4,3 50

5 2,4 67.941 21 4,5 50

6 3,4 51.471 22 4,6 50

7 1,4 50 23 3,2 50

8 2,5 50 24 4,2 50

9 2,6 50 25 3,8 50

10 1,3 50 26 3,7 50

11 2,8 50 27 3,5 50

12 1,8 50 28 3,6 50

13 1,5 50 29 3,1 50

14 1,6 50 30 4,4 49.412

15 1,7 50 31 1,2 49.412

16 2,7 50

Atribut yang di pakai adalah atribut (1,1), (2,1), (3,3) dan (2,3) karena memiliki nilai

>90. Keempat atribut inilah yang akan digunakan untuk mengklasifikasi. Tabel 2 menunjukan sebaran jumlah citra dari setiap atribut yang ada menurut jumlah titiknya.

Tabel 5

Jumlah citra menurut jumlah titiknya dari setiap atribut yang ada

Jumlah titik

1,1 2,1 2,3 3,3

# X # X # X # X

0 0 0 0 0 0 0 0 0

1 0 0 0 0 0 0 0 1

2 0 0 0 0 0 0 0 134

3 0 0 0 0 0 0 11 29

4 0 138 0 139 0 1 8 5

(9)

32

5 4 29 5 28 0 1 26 1

6 6 3 6 3 0 49 64 0

7 41 0 47 0 0 45 26 0

8 93 0 87 0 0 38 26 0

9 22 0 21 0 0 7 7 0

10 4 0 3 0 1 11 2 0

11 0 0 1 0 0 5 0 0

12 0 0 0 0 2 4 0 0

13 0 0 0 0 4 4 0 0

14 0 0 0 0 1 1 0 0

15 0 0 0 0 4 1 0 0

16 0 0 0 0 7 2 0 0

17 0 0 0 0 7 0 0 0

18 0 0 0 0 10 0 0 0

19 0 0 0 0 4 0 0 0

20 0 0 0 0 16 0 0 0

21 0 0 0 0 6 1 0 0

22 0 0 0 0 21 0 0 0

23 0 0 0 0 15 0 0 0

24 0 0 0 0 10 0 0 0

25 0 0 0 0 8 0 0 0

26 0 0 0 0 7 0 0 0

27 0 0 0 0 9 0 0 0

28 0 0 0 0 8 0 0 0

29 0 0 0 0 6 0 0 0

30 0 0 0 0 7 0 0 0

31 0 0 0 0 2 0 0 0

32 0 0 0 0 5 0 0 0

33 0 0 0 0 3 0 0 0

34 0 0 0 0 4 0 0 0

35 0 0 0 0 1 0 0 0

36 0 0 0 0 1 0 0 0

37 0 0 0 0 0 0 0 0

38 0 0 0 0 1 0 0 0

# = Tanda silang dicoret ganda x = Tanda Silang

Dari data pada tabel 2 kita dapat membuat rule untuk melakukan klasifikasi. Sebagai pembatasnya, kita gunakan jumlah titik terbesar dan terkecil. Code klasifikasinya dalam C#

adalah sebagai berikut:

if ((3 < var11&&var11 < 7 ) && ( 3 < var21 && var21 < 7 ) &&(3 <

var23&&var23< 22)&&( 0 <

var33&&var33 < 6)) {

kategori = silang;

}

else if ((4 < var11 && var11 <

11) &&(4 < var21 && var21 < 12)

&&(9 < var23 && var23 < 32) &&(2

< var33 && var33 < 11)) {

kategori = silang;

} else {

kategori = lain;

}

Gambar 8. Flowchart Sistem (a) Flowchart Penentuan Aturan Klasifikasi. (b) Flowchart

Klasifikasi.

6. Implementasi

Sebanyak 470 citra data testing di preprocessing dengan tahapan seperti yang dijelaskan sebelumnya. Citra terdiri dari 170 citra tanda silang, 170 citra tanda silang di coret ganda dan 130 citra karakter lain. Data yang telah di preprocessing kemudian dihitung jumlah titik masing-masing atributnya untuk digunakan sebagai masukan. Klasifikasi dilakukan berdasarkan aturan klasifikasi yang diperoleh sebelumya.

(10)

33

Implementasi pada semua proses pada penelitian ini menggunakan bahasa C# dengan library EmguCV. Tools yang digunakan adalah Microsift Visual Studio 2010. Tampilan programnya ditunjukan oleh gambar 8.

Gambar 9. Tampilan Program

7. Hasil dan Pembahasan

Dari hasil klasifikasi terhadap semua citra, menghasilkan data yang disajikan dengan confusion matrix sebagai berikut:

Tabel 6

Confusion Matrix Klasifikasi Data

Asli

Klasifikasi

x # *

x 168 1 1

# 9 150 11

* 4 3 123

x =tanda silang

# =tanda silang coret ganda

* = karakter lain

Perhitungan akurasi dari aturan klasifikasi yang dibuat berdasarkan data pada tabel 3 adalah:

(4)

dimana:

Acc = Akurasi.

b = jumlah benar.

d = jumlah data.

8. Kesimpulan

1. Pengenalan tanda jawaban menggunakan metode CCN dengan membangun aturan klasifikasi menggunakan atribut kombinasi (cpnSCN,cpnMCN) yang di seleksi dapat dilakukan.

2. Akurasi pengenalan tanda jawaban menggunakan metode CCN cukup baik yaitu dengan akurasi sebesar

9. Saran

1. Disarankan agar mencoba metode preprocessing yang lain sehingga menghasilkan klasifikasi yang lebih akurat.

2. Metode penentuan aturan klasifikasi sebaiknya dicari lebih lanjut sehingga dapat menemukan suatu aturan klasifikasi yang lebih baik.

10. DafTar Pustaka

[1] A. Aibinu, M. Iqbal, A. Shafie, M. Salami and M. Nilsson, "Vascular Intersection Detection in Retina Fundus Images using a New Hybrid Approach," in Computers in Biology and Medicine, 2010.

[2] D. Putra, Pengolahan Citra Digital, Yogyakarta: Penerbit Andi, 2009.

[3] R. Munir, Pengolahan Citra Ditigal dengan Pendekatan Algoritmik, Bandung:

Informatika, 2004.

[4] D. Phillips, Image Processing in C 2th Edition, Virginia: R & D Publications, 200.

[5] T. Y. Zhang and C. Suen, "A fast parallel algorithm for thinning digital patterns,"

Communications of the ACM, vol. 27, pp.

236-239, 1984.