pengenalan citra dokumen sastra jawa konsep … · universitas gadjah mada yogyakarta ibu...

PENGENALAN CITRA DOKUMEN SASTRA JAWA

KONSEP DAN IMPLEMENTASINYA

Tesis

Untuk memenuhi sebagian persyaratan

mencapai derajat Sarjana S-2

Program Studi Ilmu Komputer

Kelompok Bidang Ilmu Matematika dan Pengetahuan Alam

Diajukan oleh:

Anastasia Rita Widiarti

21189/I-4/1669/04

Kepada

PROGRAM PASCASARJANA

UNIVERSITAS GADJAH MADA 2006

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

iii

PERNYATAAN

Dengan ini saya menyatakan bahwa dalam tesis ini tidak terdapat karya yang pernah

diajukan untuk memperoleh gelar kesarjanaan di suatu Perguruan Tinggi, dan sepanjang

pengetahuan saya juga tidak terdapat karya atau pendapat yang pernah ditulis atau

diterbitkan oleh orang lain, kecuali yang secara tertulis diacu dalam makalah ini dan

disebutkan dalam daftar pustaka.

Yogyakarta, 15 Desember 2005



iv

LEMBAR PERSEMBAHAN

Tesis ini dipersembahkan kepada:

Universitas Sanata Dharma Yogyakarta

Universitas Gadjah Mada Yogyakarta

Ibu (almarhum). Semoga Tuhan membalas semua

kebaikan Ibu dengan memberi kedamaian abadi di

surga

Keluarga besarku, utamanya HiKaNaYa


v

KATA PENGANTAR

Syukur yang teramat dalam penulis sampaikan kepada Tuhan Yang Maha

Pengasih, sehingga pembuatan tesis yang berjudul: “Pengenalan Citra Dokumen Sastra

Jawa: Konsep dan Implementasinya” ini bisa selesai. Hanya atas perkenanNya maka

tesis ini dapat terwujud.

Tesis ini disusun untuk memenuhi sebagian persyaratan mencapai derajat Sarjana

S-2 pada Program Studi Ilmu Komputer, Jurusan Ilmu-Ilmu Matematika dan

Pengetahuan Alam, Program Pascasarjana, Universitas Gadjah Mada.

Pada kesempatan ini penulis juga ingin menyampaikan rasa terima kasih kepada

semua pihak yang telah memberikan bantuan materi, pikiran, semangat dan doa, yaitu:

1. Bapak Drs. Retantyo Wardoyo, M.Sc., Ph.D., selaku pengelola program S-2 Ilmu

Komputer, terima kasih atas bimbingan yang telah diberikan selama menempuh

kuliah.

2. Bapak Drs. Agus Harjoko, M.Sc., Ph.D., selaku dosen pembimbing, terima kasih

atas kesabarannya dalam membimbing penyelesaian tesis penulis.

3. Seluruh jajaran Yayasan Sanata Dharma dan Rektorat Universitas Sanata Dharma,

terimakasih atas kesempatan yang sangat berharga untuk mengikuti studi lanjut ini.

4. Seluruh staff FMIPA USD, baik teman-teman dosen maupun karyawan, yang telah

memberi semangat dan kesempatan untuk studi kepada penulis.

5. Mas Widodo (perpustakaan Artati USD), atas bantuannya menterjemahkan tulisan

Jawa, serta semua teman karyawan di perpustakaan USD,


vi

6. Mas Sugeng, Mbak Rini, dan Mas Endro, atas pelayanan yang telah penulis terima

selama menempuh kuliah,

7. Seluruh keluarga besar penulis yang senantiasa mendorong penulis tanpa mengenal

putus asa, Mas Antok, semua bulik dan Om, Simbah dan Eyang, serta Tika, Dena

dan Alya.

8. Semua teman seperjuangan di S2 Ilkom UGM serta semua teman yang tidak dapat

penulis sebut satu persatu yang selalu membawa kasih dan sukacita.

Semoga kebaikan semua pihak menjadi berkat tidak hanya bagi penulis pribadi,

namun juga bagi semua yang telah menyalurkan berkat tersebut untuk penulis. Dan

semoga tesis ini berguna juga bagi perkembangan ilmu komputer, khususnya bidang

pengolahan citra dan budaya jawa.

Penulis senantiasa menyadari bahwa penulisan tesis ini masih belum sempurna,

untuk itu segala saran dan kritik yang sifatnya membangun sangat penulis harapkan.

Yogyakarta, 16 Desember 2005

Penulis


vii

DAFTAR ISI

KATA PENGANTAR ……………………………………………………...

DAFTAR ISI ………………………………………………………………..

DAFTAR TABEL …………………………………………………………..

DAFTAR GAMBAR ……………………………………………………….

DAFTAR LAMPIRAN ……………………………………………………..

INTISARI …………………………………………………………………...

ABSTRACT ………………………………………………………………...

BAB 1 PENDAHULUAN ………………………………………………

1.1 Latar Belakang Masalah ……………………………………

1.2 Perumusan Masalah ……………………………………….

1.3 Batasan Masalah …………………………………………...

1.4 Keaslian Penelitian …………………………………………

1.5 Tujuan Penelitian…………………………………………...

1.6 Faedah Penelitian …………………………………………..

1.7 Metodologi Penelitian ……………………………………...

1.8 Tinjauan Pustaka …………………………………………...

1.9 Sistematika Penulisan ……………………………………...

BAB 2 LANDASAN TEORI ……………………………………………

2.1 Pengenalan Pola ……………………………………………

2.2 Analisis Citra Dokumen ………..…………………………..

2.2.1 Data Capture ………………………………………..

2.2.2 Pengolahan Tingkat Piksel ………………………….

2.2.3 Analisis Tingkat Fitur ………………………………

2.2.4 Analisis Teks ………………..……………………..

2.3 Normalisasi Terhadap Orientasi ……………………………

2.4 Binarisasi …………………………………………………..

2.4.1 Metode Otsu ………………………………………..

2.5 Pengurangan Noise ………………………………………..

v

vii

x

x

xii

xiii

xiv

1

1

2

2

3

3

3

4

6

7

8

9

9

11

12

13

13

14

15

17

18


viii

2.5.1 Titik-Titik Tetangga ………………………………...

2.6 Perangkaan …………………………………………………

2.6.1 Algoritma Hilditch …………………………….……

2.7 Segmentasi …………………………………………………

2.7.1 Histogram Citra …………………………………….

2.7.2 Profil Proyeksi ………………………………………

2.8 Pengenalan Karakter ……………………………………….

2.8.1 Ekstraksi Ciri ……………………………………….

2.8.2 Langkah Klasifikasi ………………………………..

BAB 3 PERANCANGAN SISTEM ……………………………………

3.1 Spesifikasi Sistem ……………………………………….…

3.1.1. Spesifikasi Sistem Pembuat Basis Data …………….

3.1.2. Spesifikasi Sistem Pengenalan Citra Dokumen ……..

3.1.3 Proses Pengenalan Citra Karakter Dalam Citra

Dokumen …………………….

3.2 Desain Sistem ……………………………………………...

3.2.1 Desain Struktur Data ………………………………...

3.2.1 Diagram Aliran Data ………………………………...

3.2.1.1 Diagram Aliran Data Sistem Pembuat Basis

Data (SPBD) ………………………………..

3.2.1.2 Diagram Aliran Data Sistem Pengenalan

Citra Dokumen (SPCD) …………………….

3.2.2 Struktur Program …………………………………..

3.2.3 Desain Antar Muka ………………………………..

BAB 4 IMPLEMENTASI SISTEM…………………. …………………

4.1 Antar Muka Pemakai Sistem ……………………………..

4.1.1 Antar Muka Pemakai Sistem Pembuat Database ….

4.1.2 Antar Muka Pemakai Sistem Pengenal Citra

Dokumen …………………………………………..

4.2 Implementasi ……………………………………………..

4.2.1 Modul-Modul Utama Sistem Pembuat Basis Data ...

20

21

21

24

25

25

26

27

28

31

31

32

32

33

33

34

35

35

38

45

47

49

49

49

51

53

53


ix

4.2.2 Modul-modul Utama Sistem Pengenalan Citra

Dokumen ……………………………………………

BAB 5 HASIL DAN PEMBAHASAN …………………………………

5.1 Data Masukan ……………………………………………...

5.2 Eksekusi Modul-Modul …………………………………….

5.3 Analisis Output Pengenalan Karakter ……………………...

BAB 6 KESIMPULAN DAN SARAN …………………………………

6.1 Kesimpulan ………………………………………………...

6.2 Saran ………………………………………………………..

DAFTAR PUSTAKA ………………………………………………………

Lampiran 1. Antar Muka Pemakai Sistem Pengenal Citra Dokumen ……...

Lampiran 2. Implementasi Prosedur Dalam Desain Sistem ………..……..

Lampiran 3. Data Dokumen Panji Sekar …………………………..……...

57

72

72

72

83

92

92

93

94

96

98

122


x

DAFTAR TABEL

Tabel 5.1. Karakteristik File Masukan ……………………………………..

Tabel 5.2. Hasil Proses Pengenalan Karakter Dokumen Menak Sorangan I

Halaman 3 ..................................................................................…....

Tabel 5.3. Contoh Sebagian karakter dalam database karakter Jawa ……....

Tabel 5.4. Hasil Proses Pembentukan Kata .................................................

Tabel 5.5. Tabel Karakter Dikenali Dokumen Menak Sorangan I

Halaman 3 .........................................................................................

Tabel 5.6. Tabel Karakter Dikenali Dokumen Menak Sorangan I

Halaman 4 .........................................................................................

Tabel 5.7. Analisis Output Pengenalan Citra Dokumen Menak Sorangan I

Hal. 3..................................................................................................

Tabel 5.8. Analisis Output Pengenalan Citra Dokumen Menak Sorangan I

Hal. 4..................................................................................................

Tabel 5.9. Rangkuman Hasil Analisis Output Program ..............................

72

78

79

82

85

86

88

89

91

DAFTAR GAMBAR

Gambar 1.1 Bagan Proses Analisis Citra Dokumen “Menak Sorangan” ..

Gambar 2.1 Hirarki Pemrosesan Dokumen. ...............................................

Gambar 2.2 Langkah-langkah Proses Analisis Dokumen ..........................

Gambar 2.3. Perputaran citra dengan sudut θ .............................................

4

10

11

14


xi

Gambar 2.4. Ilustrasi dari karakter na dengan salt-and-pepper noise ........

Gambar 2.5. Ilustrasi piksel yang mempunyai 8 titik tetangga ..................

Gambar 2.6. Contoh citra karakter pra sebelum dan sesudah dikenai thin-

ning .........................................................................................

Gambar 2.7. Bagian dari sebuah citra .........................................................

Gambar 2.8. Contoh piksel dengan B(PI)<2 dan B(PI)>6 .........................

Gambar 2.9. Contoh piksel dengan A(PI) ≠ 1 ............................................

Gambar 2.10. Contoh piksel dengan P2=P4=P8=1 atau 0 dan A(P2) = 1

atau ≠ 1 .................................................................................

Gambar 2.11. Contoh piksel dengan P2 = P4 = P8 ≠ 0 atau 0 dan A(P4) = 1

atau ≠ 1 .................................................................................

Gambar 2.12. Profil proyeksi horisontal dan vertikal .................................

Gambar 2.13. Ilustrasi perhitungan ciri karakter jawa: Tarung ..................

Gambar 3.1 Gambaran Umum Tujuan Sistem ............................................

Gambar 3.2. Sistem Pengenalan Citra Dokumen ........................................

Gambar 3.3 DAD Level 0 Sistem Pembuat Basis Data ..............................

Gambar 3.4. DAD Level 1 Sistem Pembuat Basis Data .............................

Gambar 3.5. DAD Level 2 Proses Olah Data ............................................

Gambar 3.6. DAD Level 0 Sistem Pengenalan Citra Dokumen .................

Gambar 3.7. DAD Level 1 Sistem Pengenalan Citra Dokumen .................

Gambar 3.8. DAD Level 2 Proses Binarisasi .............................................

Gambar 3.9. DAD Level 2 Proses Normalisasi Orientasi ..........................

Gambar 3.10. DAD Level 2 Proses Filling .................................................

19

20

21

22

23

23

24

24

26

28

31

34

36

36

37

38

39

41

42

42


xii

Gambar 3.11. DAD Level 2 Proses Segmentasi ........................................

Gambar 3.12. DAD Level 2 Proses Pengenalan Karakter ..........................

Gambar 3.13. Struktur Program Sistem Pembuat Basis Data .....................

Gambar 3.14. Struktur Program Sistem Pengenalan Citra Dokumen .........

Gambar 3.15. Disain Layar Sistem Pembuat Basis Data ...........................

Gambar 3.16. Disain Layar Sistem Pengenalan Citra Dokumen ...............

Gambar 4.1. Tampilan Antar Muka Pemakai Sistem Pembuat Basis Data

Gambar 4.2. Tampilan Antar Muka Pemakai Sistem Pengenal Citra

Dokumen ...............................................................................

Gambar 5.1. Contoh Citra Dokumen Menak Sorangan halaman 3

(data ke 1) ............................................................................

Gambar 5.2. Contoh Tampilan Citra Hasil Proses Binarisasi .....................

Gambar 5.3. Contoh Tampilan Citra Hasil Normalisasi Orientasi .............

Gambar 5.4. Contoh Tampilan Hasil Proses Thinning ...............................

Gambar 5.5. Cuplikan histogram hasil proses profil proyeksi vertikal ......

Gambar 5.6. Cuplikan histogram hasil proses profil proyeksi horisontal ...

Gambar 5.7. Contoh citra karakter hasil akhir proses segmentasi ..............

Gambar 5.8. Isi Citra dokumen Menak Sorangan I Halaman 4 ..................

43

44

45

47

48

48

50

52

73

74

75

76

76

77

77

84

DAFTAR LAMPIRAN Lampiran 1. Antar Muka Pemakai Sistem Pengenal Citra Dokumen .............. 96

Lampiran 2. Implementasi Prosedur Dalam Desain Sistem ............................ 98

Lampiran 3. Data Dokumen Panji Sekar .......................................................... 122


xiii

PENGENALAN CITRA DOKUMEN SASTRA JAWA:

KONSEP DAN IMPLEMENTASINYA


INTISARI

Di Yogyakarta masih banyak dapat ditemukan naskah-naskah kuno yang merupakan warisan budaya yang tak ternilai harganya. Maka Apabila naskah-naskah tersebut dapat dikonversikan ke dalam format digital, akan banyak manfaat yang bisa diraih.

Penelitian ini mencoba untuk membuat sebuah prototipe sistem pengenalan citra dokumen sastra Jawa. Data masukan untuk sistem diperoleh dari hasil pembacaan dokumen sastra Jawa dengan alat optis, yang kemudian disimpan sebagai file gambar dengan format *.jpg. Selanjutnya dengan mempergunakan berbagai metode untuk pengolahan citra, diperoleh citra karakter Jawa pembentuk citra dokumen masukan. Dengan mempergunakan histogram untuk piksel yang berwarna hitam diperoleh ciri untuk setiap karakter. Ciri ini kemudian disimpan dalam basis data karakter Jawa, untuk kemudian ciri ini dipakai dalam pencocokan ciri apabila terdapat masukan karakter Jawa. Dengan mempergunakan jarak Euclidean akan diperoleh nama-nama Latin setiap karakter Jawa pembentuk citra dokumen.

Dari hasil penelitian menunjukkan bahwa untuk mengenal citra dokumen sastra Jawa, dalam hal ini dokumen “Menak Sorangan I, Bab I, Halaman 3 dan 4” diperoleh prosentase keberhasilan pengenalan sebesar 86.53%. Maka dapat disimpulkan bahwa pemilihan metode-metode yang dipergunakan dalam tahap pengenalan citra dokumen pada penelitian ini relatif sudah baik.

Keyword: Citra dokumen, normalisasi orientasi, binarisasi, noise, perangkaan, seg-

mentasi, pengenalan karakter, ekstraksi ciri.


xiv

DOCUMENT IMAGE RECOGNITION OF JAVANESE LITERATURE:

CONCEPTS AND IMPLEMENTATION

by: Anastasia Rita Widiarti

ABSTRACT

In Yogyakarta still often could be found the old texts that were the cultural inheritance that was not appraised him. Then if these texts could be converted in the digital format, would many benefits that could be gained.

This research tried to make a prototype of the document image recognition system to the Javanese literature. The input data was for the system received from results of Javanese reading of the literature document with the implement optic, that afterwards was kept as file the picture with the format *. Jpg. Further by utilizing various methods for the processing of the image, was received by the Javanese character image the framer of the image of the input document. By counting the number pixel the object in each unit from a character image was received by the characteristics of this image. These characteristics were afterwards kept in the Javanese character database, during afterwards these characteristics were used in the verification of the characteristics if being gotten by Javanese character input. By utilizing the modification of the Euclidean distance will be received by the Latin names of each Javanese character the framer of the document image.

From results of the research showed that to know the Javanese image of the literature document, in this case the Menak Sorangan I document and the Panji Sekar document the Map in the page 3 and 4, was received by the percentage of the success of the introduction as big as 86.53%. Then could be concluded that the election of methods that was utilized in the introductory stage to the document image in this research was relative has been good.

Key Word: document image recognition, image processing.


1

BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Salah satu persoalan dalam bidang komputer yang banyak menjadi perhatian

adalah analisis citra dokumen (document image analysis). Analisis citra dokumen

merupakan ilmu yang membahas tentang algoritma-algoritma dan teknik-teknik yang

diterapkan pada citra atau dokumen untuk menghasilkan deskripsi yang dapat

dikenali oleh komputer. Analisis citra dokumen muncul karena kebutuhan efisiensi

dalam menganalisis sebuah dokumen kertas yang sudah ada. Contoh kasus yang

membutuhkan analisis citra dokumen misalnya untuk membaca dokumen tercetak

atau dokumen tulisan tangan dan mengubahnya menjadi dokumen digital sehingga

kualitasnya dapat diperbaiki atau keberadaannya (umur dokumen) dapat

diperpanjang.

Perkembangan ilmu analisis citra dokumen membuka peluang besar untuk

dimanfaatkan bagi penyelamatan naskah-naskah kuno yang banyak ditemukan di

Yogyakarta dan merupakan warisan budaya yang tak ternilai harganya. Apabila

naskah-naskah tersebut dapat dikonversikan ke dalam format digital, akan banyak

manfaat yang bisa diraih.

Persoalan muncul karena naskah kuno di Yogyakarta kebanyakan ditulis

dengan menggunakan karakter Jawa, sementara komputer umumnya hanya mengenal

dan merepresentasikan karakter Latin. Oleh karena itu, diperlukan suatu perangkat

lunak yang mampu mengenali dokumen berkarakter Jawa tersebut dan selanjutnya


2

merepresentasikannya dalam komputer. Mengingat tidak semua orang mengenal

karakter Jawa, maka akan lebih bermanfaat lagi apabila kemudian naskah berkarakter

Jawa tersebut dapat direpresentasikan pula dengan karakter Latin tanpa kehilangan

maknanya.

1.2 Perumusan Masalah

Berdasarkan latar belakang di atas, maka permasalahan yang dapat

dirumuskan adalah:

a. Bagaimana membaca dan mengubah data masukan berupa hasil scan menjadi

sebuah bentuk tertentu yang siap diolah?

b. Bagaimana mengimplementasikan algoritma-algoritma yang berkait dengan

analisis citra dokumen teks untuk membuat prototipe perangkat lunak yang dapat

mengenali masukan sebuah citra dokumen teks yang ditulis dengan

mempergunakan karakter Jawa?

c. Bagaimana merepresentasikan citra dokumen teks yang memakai model tulisan

karakter Jawa yang sudah dikenal tersebut ke dalam dokumen teks yang memakai

karakter Latin?

1.3 Batasan Masalah

Dalam penelitian ini ada beberapa pembatasan masalah yang dilakukan,

yaitu:

a. Proses yang akan dilakukan adalah analisis citra dokumen teks saja

b. Citra dokumen ditulis dengan mempergunakan karakter Jawa yang monokrom


3

c. Citra dokumen diambil dari buku cetakan dengan ketentuan terdapat jarak antar

baris

d. Masukan hanya berupa satu citra dokumen teks per satu saat.

1.4 Keaslian Penelitian

Sejauh yang penulis ketahui, penelitian yang membahas tentang analisis

citra dokumen telah banyak dilakukan, namun implementasinya pada citra

dokumen teks yang ditulis dengan mempergunakan karakter Jawa belum ada

sebelumnya.

Penelitian ini pada dasarnya meneruskan kerja dari Suprihatin (2003).

Bedanya, input program bukan diperoleh dari komputer melainkan dari hasil scan

sebuah citra dokumen teks.

1.5 Tujuan Penelitian

Tujuan yang ingin dicapai dalam penelitian ini adalah merancang dan

membuat sebuah perangkat lunak yang mampu melakukan analisis citra dokumen

teks, sehingga dapat digunakan untuk mengolah sebuah citra dokumen teks yang

ditulis dengan mempergunakan karakter Jawa.

1.6 Faedah Penelitian

Manfaat yang diharapkan dari penelitian ini adalah dapat melakukan konversi

naskah dari buku sastra jawa ke dalam format teks karakter Latin secara otomatis.


4

1.7 Metodologi Penelitian

Penelitian ini dilakukan dengan mempergunakan tahapan proses analisis citra

dokumen yang skemanya dapat digambarkan sebagai berikut:

DataCapture Binarisasi Filling

DokumenMenak

SoranganThinning Segmentasi

PengenalanKarakter

PembentukanKata

Deretan KataDalam Huruf Latin

Gambar 1.1 Bagan Proses Analisis Citra Dokumen “Menak Sorangan”

a. Data Capture

Tahap awal dari proses analisis citra dokumen adalah digitalisasi data

dokumen dengan mempergunakan alat bantu scan. Hasil digitalisasi disimpan

dalam file *.jpg. Selanjutnya dilakukan langkah normalisasi orientasi

terhadap file tersebut.

b. Binarisasi

Setelah data dalam format digital diperoleh, maka langkah selanjutnya adalah

mengubah citra dari citra yang non hitam putih ke dalam citra hitam putih. Di

mana warna hitam adalah untuk citranya, dan warna putih adalah warna latar

belakang.

c. Filling

Hasil dari proses binarisasi sangat mungkin terdapat beberapa noise,

contohnya adalah adanya salt and pepper. Agar proses selanjutnya berhasil

dengan baik, maka harus dilakukan proses untuk mengurangi noise ini.


5

d. Thinning

Setelah diperoleh citra yang bebas dari noise, maka selanjutnya dilakukan

proses untuk mengurangi komponen citra yang tidak mempunyai arti atau

tidak membedakan.

e. Segmentasi

Segmentasi adalah proses untuk memisahkan komponen setiap teks yang

nantinya akan dipergunakan dalam tahap pengenalan karakter.

f. Pengenalan Karakter

Tahap pengenalan karakter bertujuan untuk mengenali setiap karakter yang

telah diperoleh sebagai hasil dari segmentasi.

g. Pembentukan Kata

Pembentukan kata menjadi tahap terakhir dari keseluruhan proses analisis.

Sebagai keluaran dari tahap ini akan diperoleh deretan kata yang dibentuk

dari hasil pengenalan karakter.

Langkah penelitian:

a. Merancang dan membuat program aplikasi Sistem Pengenalan Citra Dokumen

Teks Sastra Jawa

b. Menguji coba program aplikasi yang telah dibuat.

c. Melakukan analisis terhadap hasil pengujian.


6

1.8 Tinjauan Pustaka

Penelitian dan tulisan tentang analisis citra dokumen telah banyak dilakukan

oleh banyak peneliti. Gonzales (Gonzales, 1992), menyodorkan sebuah rumusan

global tentang bagaimana memisahkan citra utama dengan citra latar belakang.

Namun rumusan ini mempunyai kelemahan, yaitu tidak secara eksplisit menyatakan

berapa nilai ambang yang dipakai untuk memisahkan citra tersebut. Pembaca harus

melihat kasus per kasus dalam menentukan harga ambang yang cocok.

Haralick (Haralick, dkk., 1987), memberikan metode morfologi dalam proses

pengurangan noise, Fletcher dan Kasturi (Fletcher dan Kasturi, 1988) menyodorkan

algoritma Robust yang dapat dipakai untuk proses segmentasi, dan kemudian Arcelli,

dan Sanniti (Arcelli dan Sanniti, 1985) memberikan contoh pemakaian fast thinning

algorithm untuk mengurangi komponen citra yang tidak penting. Kesemua penelitian

di atas adalah penelitian yang berkait dengan proses pengolahan tingkat piksel,

setelah citra dibaca dengan mesin scanner, namun kesemuanya dipakai untuk

dokumen citra yang ditulis dengan mempergunakan karakter latin.

Setelah tahap pengolahan tingkat piksel, maka tahap selanjutnya adalah tahap

pengenalan karakter dan analysis layout halaman. Brown (Brown, 2000),secara detil

memberikan contoh implementasi algoritma feature point extraction untuk

pengenalan karakter latin. Kavallieratou (Kavallieratou, dkk., 2000) mengaplikasikan

distribusi kelas Cohen untuk memperbaiki kemiringan karena ketidaksempurnaan

dalam proses pembacaan dokumen. O’Gorman (O’Gorman, 1993), secara garis besar

memberikan contoh analisis layout halaman dokumen khususnya untuk dokumen

dari jurnal ilmiah IEEE Transactions On Pattern Analysis and Machine Intelligence.


7

Suprihatin (Suprihatin, 2003), dalam tesisnya telah berhasil

mengalihaksarakan tulisan karakter jawa ke tulisan karakter latin, namun masukan

untuk program alihaksara diperoleh dari keyboard dengan mempergunakan program

sofy untuk mendapatkan jenis font karakter jawa.

1.9 Sistematika Penulisan

Tesis ini ditulis dengan sistematika sebagai berikut:

Bab pertama menguraikan tentang latar belakang masalah, rumusan masalah,

batasan masalah tujuan penelitian. manfaat penelitian, metode penelitian, tinjauan

pustaka, dan sistematika penulisan.

Bab kedua Landasan Teori membahas teori analisis citra dokumen teks, dan

pengolahan citra.

Bab ketiga Perancangan Sistem berisi disain dari sistem yang meliputi

spesifikasi sistem, diagram aliran data, struktur dari program, disain antarmuka, dan

disain struktur menu dari sistem.

Bab keempat Implementasi Sistem menguraikan implementasi dari proses-

proses dalam diagram aliran data yang berupa keterangan tentang sub-sub modul

yang dipergunakan oleh sistem.

Bab kelima Hasil dan Pembahasan menguraikan hasil pengujian sistem dan

analisis dari hasil pengujian sistem tersebut.

Bab keenam Kesimpulan dan Saran menguraikan kesimpulan dari penelitian

dan saran-saran.


8

BAB II

LANDASAN TEORI

Kata citra berasal dari kata image dalam bahasa Inggris. (Gonzales dan

Woods, 1992) mendefinisikan citra sebagai suatu fungsi kontinu dari intensitas

dalam bidang dua dimensi (2-D), di mana setiap titik pada citra dapat dinyatakan

secara matematis sebagai:

0 < f ( x, y ) < ∞

dengan f ( x, y ) menyatakan intensitas cahaya pada lokasi (x,y).

Citra digital didefinisikan sebagai citra f(x,y) yang nilainya didigitalisasikan

atau dibuat diskrit baik dalam koordinat bidang maupun dalam intensitas cahayanya

(Gonzales dan Woods, 1992). Citra digital dapat digambarkan sebagai suatu matriks

yang terdiri dari baris dan kolom, di mana setiap pasangan indeks baris dan kolom

menyatakan suatu titik pada citra, dan nilai elemen matriksnya menyatakan nilai

tingkat kecerahan di titik tersebut. Elemen-elemen matriks tersebut kemudian

dinamakan sebagai elemen citra, atau elemen gambar atau piksel (Gonzales dan

Woods, 1992). Selanjutnya dalam tesis ini yang dimaksud dengan citra adalah citra

digital.

Citra dokumen adalah representasi visual dokumen kertas seperti jurnal, hasil

faksimili, surat-surat kantor, lembar isian, dan lain-lain. Pengenalan citra dokumen

adalah suatu upaya untuk menjadikan citra dokumen menjadi suatu representasi

semantik (Srihari, S.N., dkk, 1986).


9

2.1 Pengenalan Pola

Pengenalan pola (pattern recognition) merupakan salah satu komponen

penting dalam sistem pengenalam citra dokumen. Tujuan utama dari pengenalan pola

adalah mengklasifikasikan obyek yang diberikan sebagai input ke dalam salah satu

dari kelas-kelas yang sudah ditentukan sebelumnya.

Proses pengenalan pola terdiri dari tiga fase utama, yaitu segmentasi citra,

ekstraksi ciri, dan klasifikasi. Fase segmentasi citra adalah suatu fase yang bertujuan

memisahkan citra yang menjadi pusat perhatian dari bagian citra lainnya. Fase

ekstraksi ciri adalah fase dilakukannya pengukuran terhadap citra. Pengukuran

dimaksudkan untuk memperoleh suatu nilai properti dari suatu obyek. Ciri adalah

fungsi dari satau atau beberapa nilai properti yang dapat dipergunakan untuk

menyatakan suatu karakter tertentu dari obyek. Fase ekstraksi ciri akan menghasilkan

beberapa ciri yang diwujudkan dalam bentuk suatu vektor ciri. Vektor ciri hasil

ekstraksi ciri ini dipergunakan oleh fase klasifikasi. Output dari fase klasifikasi

adalah suatu keputusan termasuk kelas apakah suatu obyek itu. Dalam proses

klasifikasi setiap obyek digolongkan ke dalam salah satu dari kelas-kelas yang sudah

ditetapkan sebelumnya.

2.2 Analisis Citra Dokumen

Banyak dokumen yang memiliki format karakter yang berbeda dengan format

karakter karakter latin, misal dokumen yang ditulis dalam format karakter Cina,

India, Thailand, Jawa dan sebagainya. Akibatnya dokumen tersebut hanya dapat

dibaca oleh orang yang memahami format karakter tersebut. Untuk kepentingan


10

tersebut, dibutuhkan sistem analisis citra dokumen untuk menerjemahkan dokumen

dengan bentuk karakter tertentu agar menghasilkan sebuah deskripsi yang dapat

dipahami oleh pembaca. Sistem analisis citra dokumen juga dapat digunakan untuk

kepentingan lain, misal untuk membaca karakter dalam amplop surat sehingga surat

dapat dipilah-pilah, atau untuk mengubah koleksi buku di perpustakaan tradisional ke

dalam format digital.

Tujuan utama dari kegiatan analisis citra dokumen adalah untuk mengenali

komponen-komponen teks ataupun gambar di dalam suatu dokumen. Analisis citra

dokumen secara garis besar dibagi menjadi dua kategori analisis, yaitu analisis untuk

teks dan gambar, seperti terlihat dalam Gambar 2.1 (O’Gorman dan Kasturi, 1997).

PengenalanKarakter

AnalisisLayout

Halaman

PengolahanGaris

PengolahanSimbol dan

WilayahGambar

Pengolahan Teks Pengolahan Gambar

Pengolahan Dokumen

Teks Kecondongan,baris, alinea,

paragraf

Garis lurus,sudut, kurva

DaerahGambar

Gambar 2.1 Hirarki Pemrosesan Dokumen.

Pengolahan teks berkait dengan bagian teks dari citra dokumen. Beberapa

tugas yang terkait dengan pengolahan teks adalah menentukan kecondongan teks,

menemukan kolom-kolom, paragraf-paragraf, baris-baris teks, dan kata, dan akhirnya


11

mengenali teks beserta atributnya, misalnya ukuran dan font dari teks seperti yang

dapat dilakukan oleh mesin pengenal karakter (OCR). Sementara pengolahan grafik

berkait dengan komponen garis dan simbol-simbol yang membentuk diagram, logo,

dan lain sebagainya. Dan lebih lanjut O’Gorman dan Kasturi memberikan tahapan-

tahapan proses analisis citra dokumen seperti terlihat dalam Gambar 2.2.

Gambar 2.2 Langkah-langkah Proses Analisis Dokumen

2.2.1 Data Capture

Pada tahap data capture, data dari dokumen kertas akan dibaca dengan alat

scan optis dan hasilnya disimpan sebagai file dalam bentuk piksel. Terdapat tiga

kemungkinan nilai piksel, yaitu berupa nilai ON(1) atau OFF (0) untuk citra biner,

Lembar Dokumen

Data Capture

Pengolahan Tingkat Piksel

Analisis Tingkat Fitur

Pengenalan dan Analisis Teks

Pengenalan dan Analisis Grafis

Dokumen Hasil


12

atau suatu bilangan bulat antara 0-255 untuk citra grayscale, atau tiap piksel terdiri

atas 3 komponen bilangan bulat antara 0-255 untuk komponen wana merah,

komponen warna hijau, dan komponen warna biru untuk citra berwarna. Barisan nilai

piksel yang diperoleh pada tahap ini, kemudian akan diproses lebih lanjut untuk

mendapatkan suatu informasi seperti yang diinginkan.

2.2.2 Pengolahan Tingkat Piksel

Tahap pengolahan tingkat piksel adalah suatu tahap yang bertujuan untuk

menyiapkan dokumen citra, serta membuat fitur perantara untuk membantu

mengenali citra. Langkah- langkah yang dilakukan adalah :

a. Proses binarisasi: memisahkan citra utama dari citra latar belakang yang tidak

dibutuhkan.

b. Pengurangan noise: menghilangkan piksel-piksel yang tidak penting untuk

mengurangi kesalahan pengenalan obyek.

c. Segmentasi: memisahkan komponen teks dan grafis dari sebuah dokumen. Pada

komponen teks segmentasi dilakukan dengan memisahkan kolom, paragraf, kata

dan karakter. Pada komponen grafis, segmentasi akan memisahkan simbol dan

garis.

d. Thinning dan deteksi area: Thinning merupakan proses untuk mengurangi

komponen citra yang tidak penting agar proses analisis dan pengenalan dapat

dilakukan dengan lebih efisien. Thinning dikenakan terhadap kurva tebal yang

akan ditipiskan. Deteksi area dikenakan pada obyek yang diblok dengan warna

sedangkan yang diperlukan hanya batas area tersebut.


13

e. Chain coding dan vektorisasi: mengubah data kerangka dan kontur yang ada

menjadi piksel On yang saling berantai (terkait) sehingga penyimpanan obyek

menjadi lebih efisien.

2.2.3 Analisis Tingkat Fitur

Analisis tingkat fitur akan menghasilkan informasi yang lebih dapat dipahami

manusia. Langkah- langkah yang dilakukan adalah :

a. Pengelompokan garis dan kurva: menentukan garis dan kurva yang saling

berhubungan serta memisahkan garis dan kurva yang tidak sekelompok.

b. Poligonisasi: mengolah kurva dan garis lurus yang ada sehingga akan mendekati

aslinya dan dapat disimpan dengan data yang lebih ringkas.

c. Deteksi titik kritis. mengenali suatu bentuk kurva berdasarkan titik kritis yang

ditentukan.

2.2.4 Analisis Teks

Terdapat dua tipe analisis yang dapat diberlakukan terhadap teks pada

dokumen. Yang pertama adalah pengenalan karakter (character recognition) untuk

mengenali karakter dan kata dari citra berbasis bit. Yang kedua adalah analisis layout

halaman untuk menentukan format teks dan menentukan arti, yang berhubungan

dengan posisi dan fungsi dari teks.

Dalam analisis layout halaman yang dilakukan adalah :

a. Perkiraan kemiringan: mengelola karakter yang memiliki sudut kemiringan

tertentu sehingga nantinya akan dapat diolah untuk dikenali.

b. Analisis layout: memilah karakter dalam dokumen untuk dikelompokkan dalam

paragraf, judul, atau daftar isi dan yang lainnya.


14

2.3. Normalisasi terhadap Orientasi

Normalisasi terhadap orientasi dilakukan untuk mengurangi pengaruh

kesalahan orientasi saat pembacaan data citra dokumen dengan scanner. Tidak dapat

dijamin bahwa pengguna akan selalu menempatkan dokumen tegak lurus dengan

sumbu utama. Oleh karena itu, perlu dilakukan perputaran atau rotasi sebesar sudut

penyimpangan (θ) sebagai langkah koreksi terhadap penyimpangan orientasi.

Rotasi suatu citra dengan sudut sebesar θ yang berlawanan arah dengan arah

jarum jam, (lihat gambar 2.3) dapat dilakukan dengan mempergunakan rumus (2.1).

x’ = x cos(θ) – y sin(θ) (2.1)

y’ = x sin(θ) + y cos(θ)

θ

( x', y')

( x, y)

Gambar 2.3. Perputaran citra dengan sudut θ

Untuk mengetahui seberapa besar penyimpangan orientasi suatu obyek

dengan sumbu utama, dapat dilakukan dengan mempergunakan orientasi momen.

Nilai θ dapat ditentukan dengan rumus (2.2).

⎥⎥⎦

⎤

⎢⎢⎣

⎡

−= −

2,00,2

1,11 2tan

21

µµµ

θ (2.2)


15

dengan

qp

m nqp nnmm )()(, −−=∑∑µ (2.3)

merupakan momen pusat ordo (p,q), dengan m , n merupakan titik pusat momen

yang didefinisikan sebagai berikut:

∑∑=m n

mN

m 1 , ∑∑=m n

nN

n ,1 (2.4)

N menyatakan jumlah piksel pada citra, m dan n menyatakan koordinat obyek dari

citra. Rumus (2.4) hanya berlaku untuk citra biner.

2.4. Binarisasi

Binarisasi adalah tahapan pertama di dalam pengolahan tingkat piksel setelah

dilakukan data capture, yaitu proses untuk memisahkan obyek dari latar belakang

yang tidak dibutuhkan (O’Gorman dan Kasturi, 1997). Tujuan utama dari proses ini

adalah secara otomatis menentukan nilai ambang threshold yang akan berfungsi

untuk membagi citra menjadi dua bagian atau dua kelompok, yaitu kelompok obyek

dan kelompok latar. Berdasarkan tujuan tersebut, maka dalam banyak sumber lain,

proses binarisasi ini akan disebut sebagai proses thresholding.

Proses pemilihan threshold seringkali akan menjadi proses yang sulit ketika:

a. Perbedaan antara piksel obyek dan latar sangat tipis. Contohnya bila terdapat teks

yang dicetak pada bagian yang diberi latar abu-abu.

b. Ketika proses data capture dilakukan, pencahayaan untuk proses scanning

kurang.

c. Ketika teks dicetak sangat tipis baik dengan cara dipukulkan atau disemprot.


16

Beberapa keuntungan yang akan diperoleh apabila proses binarisasi berhasil

dengan baik adalah:

a. Mengurangi kompleksitas komputasi untuk proses selanjutnya, karena ragam

data yang dipergunakan sederhana (Sauvola, J., dkk., 1997).

b. Mengurangi penggunaan memori karena data yang tersimpan hanya akan berupa

deretan data biner (Kasturi, R., dkk., 2002).

c. Memungkinkan pemakaian metode analisis yang sederhana ketimbang

dipergunakan data citra yang gray level atau berwarna (Sauvola, J., dkk., 1997).

Threshold suatu citra g(x,y), di mana f(x,y) menyatakan gray-level dari suatu

poin (x,y), dan T menyatakan suatu nilai ambang threshold, didefinisikan sebagai

berikut (Gonzales dan Woods, 1992):

⎭⎬⎫

⎩⎨⎧

≤>

=TyxfjikaTyxfjika

yxg),(0),(1

),( (2.5)

di mana 1 menyatakan latar dan 0 menyatakan obyeknya.

Indikasi keberhasilan proses binarisasi adalah seberapa baik threshold yang

dipilih dapat mempartisi obyek dan latar. Akan terdapat tiga kemungkinan yang

muncul saat pemilihan suatu nilai threshold (Antonacopoulos, A., 1995) yaitu :

a. Threshold yang dipilih terlalu tinggi, sebagai akibatnya akan muncul

kemungkinan bahwa citra yang seharusnya terpisah menjadi bergabung, atau

b. Threshold yang dipilih terlalu rendah, sebagai akibatnya akan muncul

kemungkinan bahwa sebuah citra terpotong menjadi beberapa bagian, atau

c. Threshold yang dipilih sesuai atau baik.


17

Disinilah letak persoalan utama dari proses binarisasi, yaitu memilih harga

threshold yang baik. Kasturi, dkk., (Kasturi, R., dkk., 2002) menyatakan bahwa

proses seleksi untuk menentukan threshold yang baik akan selalu berupa proses yang

bersifat trial and error. Dalam hal ini berarti bahwa pada saat implementasi, hasil

dari proses binarisasi harus dicermati apakah obyek sudah terpisah dengan baik dari

latar belakangnya.

2.4.1 Metode Otsu

Pendekatan yang dilakukan oleh metode otsu (Otsu, 2005) adalah dengan

melakukan analisis diskriminan yaitu menentukan suatu variabel yang dapat

membedakan antara dua atau lebih kelompok yang muncul secara alami. Analisis

diskriminan akan memaksimumkan variabel tersebut agar dapat memisahkan obyek

dengan latar belakang. Untuk selanjutnya variabel tersebut akan disebut dengan

ambang.

Misalkan citra yang akan dicari nilai ambangnya mempunyai N buah piksel,

dengan derajat keabuan sebesar 256. Maka probabilitas kemunculan piksel dengan

tingkat keabuan i dinyatakan dengan:

(2.6) dengan ni menyatakan jumlah piksel dengan tingkat keabuan i.

Seandainya nilai ambang yang akan dicari dari suatu citra hitam putih

dinyatakan dengan k. Untuk citra graylevel, maka nilai k nantinya akan berkisar

antara 0 sampai dengan L, dimana L = 255 menyatakan tingkat keabuan warna

yang terbesar.

Nnp ii /=


18

Nilai ambang k dapat ditemukan dengan memaksimumkan persamaan:

(2.7)

dengan:

(2.8)

Nilai µT adalah jumlahan nilai dari perkalian i dengan pi. Nilai µ(k) disebut

momen kumulatif ke-nol pada intensitas warna ke-k, dan nilai ω(k) menyatakan

nilai momen kumulatif ke-satu pada intensitas warna ke-k.

(2.9)

(2.10)

(2.11)

2.5 Pengurangan Noise

Tahap selanjutnya dalam pengolahan piksel adalah tahap untuk mengurangi

noise atau disebut juga tahap filling. Salt-and-pepper noise adalah contoh noise yang

umumnya muncul sebagai akibat dari kualitas citra dokumen yang tidak baik,

misalnya karena hasil fotokopi dokumen citra tersebut tidak baik. Bentuk noise

tersebut misalnya adalah adanya piksel yang letaknya terasing dari piksel yang lain,

atau adanya piksel ON di daerah OFF atau sebaliknya, seperti diperlihatkan dalam

gambar 2.4.

∑=

=k

iipk

1)(ω

∑=

⋅=k

iipik

1)(µ

∑=

⋅=L

iiT pi

1µ

)(max*)( 2

1

2 kk BLkB σσ<≤

=

)](1)[()]()([)(

22

kkkkk T

B ωωµωµσ

−−

=


19

Tujuan utama dari filling adalah mengurangi sebanyak mungkin noise namun

tetap diperoleh citra yang baik. Dua metode yang biasa dipergunakan dalam filling

adalah metode morfologi dan pengolahan cellular. Dasar dari kedua metode tersebut

adalah apa yang disebut dengan erosi dan dilatasi. Erosi adalah pengurangan ukuran

dari daerah ON, yaitu sebagai akibat adanya piksel-piksel ON yang berada di daerah

OFF atau terasing dari piksel ON yang lain. Dilatasi adalah proses sebaliknya dari

erosi, yaitu menambahkan piksel ON untuk menutup daerah ON. Biasanya kedua

proses erosi dan dilatasi dijalankan secara iterasi, serta menggunakan kombinasi dua

proses tersebut. Jika yang terjadi adalah proses iterasi erosi dilanjutkan dengan iterasi

dilatasi, prosesnya biasa disebut dengan proses terbuka atau opening. Sebaliknya jika

proses yang terjadi adalah iterasi dilatasi dilanjutkan dengan iterasi erosi, prosesnya

disebut dengan proses tertutup atau closing. Dengan opening dan closing diharapkan

batas-batas citra menjadi halus, daerah-daerah yang terpisah digabungkan dan noise

yang sedikit menjadi hilang

Gambar 2.4. Ilustrasi dari karakter na dengan salt-and-pepper noise


20

2.5.1. Titik-Titik Tetangga

Suatu piksel p pada koordinat (x,y) mempunyai 4 buah tetangga horisontal

dan vertikal, di koordinat:

(x + 1, y), ( x -1, y), (x , y + 1), (x ,y - 1).

Kumpulan dari piksel-piksel pada koordinat di atas disebut dengan 4 tetangga dari

piksel p, yang dinotasikan dengan N4(p). Setiap piksel mempunyai jarak satu

kesatuan dari koordinat (x,y), dan beberapa tetangga dari p terdapat di luar citra jika

(x,y) adalah batas dari citra.

Empat buah tetangga diagonal dari p mempunyai koordinat:

(x + 1, y + 1), (x + 1, y - 1), (x - 1, y + 1), (x - 1, y - 1).

yang diberi notasi Nd(p).

Gabungan antara N4(p) dan Nd(p) selanjutnya biasa disebut dengan 8 titik

tetangga dengan notasi N8(p). Beberapa poin di dalam Nd(p) dan N8(p) berada

di luar citra jika (x,y) adalah koordinat dari batas-batas citra.

Berikut ini adalah gambaran bentuk ketetanggaan 8, di mana piksel P1

mempunyai 8 piksel tetangga, yaitu mulai dari piksel P2 sampai dengan piksel P9.

P9 P2 P3 P8 P1 P4 P7 P6 P5

Gambar 2.5 Ilustrasi piksel P1 yang mempunyai 8 titik tetangga

Dalam banyak proses pengolahan citra, seringkali terjadi proses pengolahan citra

mendasarkan pada titik-titik tetangga dari suatu piksel, misal proses erosi, dan

dilatasi seperti dijelaskan pada subbab 2.5 di atas.


21

2.6 Perangkaan

Perangkaan atau thinning atau istilah lainnya medial-axis adalah suatu proses

pengurangan komponen-komponen citra dengan tujuan untuk mendapatkan

informasi yang paling mendasar tentang pembentuk citra atau untuk mendapatkan

kerangka suatu citra. Karena itu thinning bisa disebut juga sebagai operasi

perangkaan. Sebagai contoh, seseorang yang menggambar garis dengan

mempergunakan pena yang berbeda akan memperoleh ketebalan garis yang berbeda-

beda, tetapi informasi yang ditampilkan sama yaitu suatu garis saja. Gambar 2.6 di

bawah ini memberikan contoh lain citra yang belum dikenai thinning dan hasil dari

thinning.

Gambar 2.6 Contoh citra karakter pra sebelum dan sesudah dikenai thinning

Algoritma Hilditch, algoritma Rosenfeld adalah algoritma-algoritma yang

dapat dipergunakan untuk mendapatkan kerangka suatu citra.

2.6.1. Algoritma Hilditch

Algoritma Hilditch adalah salah satu algoritma yang dapat dipergunakan utuk

operasi perangkaan. Misal diketahui delapan piksel tetangga yaitu P2, P3, .., P9 dari

sebuah piksel P1:


22

Untuk memutuskan apakah menghapus piksel p1 atau menyimpannya sebagai bagian

dari kerangka, maka diatur ke-8 tetangga tersebut di atas, serta dibutuhkan dua buah

fungsi sebagai berikut:

a. B(P1), yang menyatakan banyaknya tetangga dari piksel P1 yang merupakan

titik obyek.

b. A(P1), yang menyatakan banyaknya pola 0,1 untuk urutan P2-P3-P4-P5-P6-

P7-P8-P9-P2

Sebagai contoh, apabila diketahui bagian dari citra di bawah ini

(a) (b)

Gambar 2.7 Bagian dari sebuah citra

maka untuk gambar 2.6.a mempunyai B(P1) = 2, dan A(P1)=1, sedangkan gambar

2.6.b. mempunyai B(P1) = 2, dan A(P1) = 2.

Pada algoritma yang merupakan operasi terhubung-8 ini dilakukan beberapa

kali iterasi pengikisan pada suatu obyek, di mana pada setiap pengikisan dilakukan

pemeriksaan pada semua titik dalam citra dan melakukan pengubahan sebuah titik

obyek menjadi titik latar apabila memenuhi keempat kondisi berikut ini:

a. 2 ≤ B(Pl) ≤ 6

Kondisi ini menggabungkan dua sub-kondisi, yaitu sub-kondisi jumlah

tetangga yang merupakan obyek lebih besar atau sama dengan 2, dan kurang

dari atau sama dengan 6.


23

Sub-kondisi pertama menjamin bahwa tidak ada titik terisolasi B(P1) = 0,

ataupun titik ujung B(P1) = 1 yang terkikis

Sub-kondisi kedua menjamin batas piksel juga tidak terkikis untuk mencegah

pengecilan kerangka. Untuk lebih jelasnya perhatikan gambar 2.8.

B (p1) =1 B (P1) =0 B (P1) =7

Gambar 2.8 Contoh piksel dengan B(PI)<2 dan B(PI)>6

Jika B (P1) =1, maka P1 adalah titik ujung sehingga tidak dihilangkan.

Jika B (p1) =0, maka P1 adalah titik terisolasi dan juga sebaiknya disimpan

(kalaupun merupakan noise, proses untuk menghilangkan noise tidak

dikerjakan dalam proses perangkaan ini.

Jika B (P1) =7, P1 tidak lagi di batas pola, sehingga sebaiknya tidak dikikis.

b. A(Pl) = 1

Kondisi ini menunjukkan sifat konektivitas, di mana jika kita menghilangkan

suatu titik yang mempunyai nilai A lebih dari 1, seperti ditunjukkan pada

gambar 2.9, maka pola atau kerangka akan menjadi terputus. Maka titik P1

pada contoh-contoh tersebut tidak boleh dihapus.

A(P1) = 2 A(P1) = 2 A(P1) = 3

Gambar 2.9 Contoh piksel dengan A(PI) ≠ 1


24

c. P2, P4, atau P8 ada yang merupakan titik latar, atau A(P2) ≠ 1

Kondisi ini digunakan untuk menghindarkan terhapusnya garis horizontal

dengan lebar 2 titik terhapus.

A(P2) ≠1 P2=P4=P8=0 P2=P4=P8=1 dan A(P2) = 1

Gambar 2.10 Contoh piksel dengan P2=P4=P8=1 atau 0 dan A(P2) = 1 atau ≠ 1

d. P2, P4, atau P6 ada yang merupakan titik latar, atau A(P4) ≠ 1

Kondisi ini digunakan untuk menghindarkan terhapusnya garis horizontal

dengan lebar 2 titik terhapus.

A(P4) ≠ 1 P2=P4=P6=0 P2=P4=P6 ≠ 0 dan A(P4) =1

Gambar 2.11 Contoh piksel dengan P2=P4=P8 ≠ 0 atau 0 dan A(P4) = 1 atau ≠ 1

Maka P1 harus dikikis.

Algoritma dihentikan apabila pada suatu iterasi tidak ada lagi titik yang diubah.

2.7 Segmentasi

Segmentasi adalah proses pemecahan citra ke dalam obyek-obyek yang

terkandung di dalamnya. Dalam analisis citra dokumen, segmentasi ini dibagi

menjadi dua tahap, pertama adalah pemisahan teks dan gambar, dan tahap kedua


25

adalah melakukan proses pemisahan selanjutnya dari hasil tahap pertama. Sebagai

contoh untuk teks, maka proses selanjutnya adalah menurunkan teks tersebut menjadi

komponen-komponen teks, yaitu menemukan kolom-kolom, paragraf-paragraf, kata-

kata, sampai akhirnya adalah menemukan karakter-karakter penyusun kata.

Proses segmentasi pada citra dokumen dapat dilakukan dengan

mempergunakan histogram citra serta profil proyeksi dari citra tersebut.

2.7.1. Histogram Citra

Histogram citra adalah grafik yang menggambarkan penyebaran nilai-nilai

intensitas piksel dari suatu citra atau bagian tertentu di dalam citra. Dari histogram

dapat diketahui frekuensi kemunculan dari intensitas pada citra tersebut.

Misalkan diketahui sebuah citra digital memiliki L derajat keabuan, yaitu

dari nilai 0 sampai L-1 (misalnya pada citra dengan kuantisasi derajat keabuan 8-bit,

nilai derajat keabuan dari 0 sampai 255). Secara matematis histogram citra dihitung

dengan rumus:

1,...,1,0, −== Linn

h ii (2.12)

di mana ni menyatakan jumlah piksel yang memiliki derajat keabuan i, dan n

menyatakan jumlah seluruh piksel di dalam citra.

2.7.2. Profil Proyeksi

Ekstraksi ciri dari suatu teks kalimat dapat diperoleh dari profil proyeksinya

(Zramdini, A., dkk., 1993). Misalnya terdapat sebuah citra biner S dengan banyaknya

baris M dan banyaknya kolom N seperti ditunjukkan pada gambar 2.12. Profil


26

proyeksi vertikal (Pv) dari citra S adalah banyaknya piksel hitam yang tegak lurus

sumbu y, yaitu:

∑=

=M

jv jiSiP

1],[][ (2.13)

Sedangkan profil proyeksi horisontal (Ph) dari citra S adalah banyaknya piksel hitam

yang tegak lurus sumbu x, yaitu:

∑=

=N

jh jiSiP

1

],[][ (2.14)

Gambar 2.12 Profil proyeksi horisontal dan vertical

2.8 Pengenalan Karakter

Pengenalan karakter bertujuan untuk menerjemahkan sederetan karakter yang

memiliki berbagai macam bentuk dan ukuran. Mengembangkan algoritma untuk

mengidentifikasi karakter merupakan prinsip utama yang akan dikerjakan dalam

pengenalan karakter. Pengenalan karakter dapat menjadi kompleks dengan

bertambahnya bentuk karakter, ukuran, kemiringan dan lainnya.

Algoritma pengenalan karakter terdiri dari dua bagian utama, yaitu ekstraksi

ciri-ciri dan klasifikasi. Proses pengenalan karakter mencoba untuk mencari karakter

dari suatu kelas dengan mempergunakan algoritma klasifikasi tertentu yang

didasarkan pada ciri yang diambil pada proses ekstraksi ciri.


27

2.8.1. Ekstraksi Ciri

Tujuan dari proses ekstraksi ciri adalah mendefinisikan sifat dari setiap

karakter (feature) yang tidak jelas karena pengukuran yang tidak sempurna. Yang

dibutuhkan adalah kelas karakter yang berupa prototipe atau himpunan contoh yang

sudah ada. Proses mengekstrak ciri berarti mencari sifat pola atribut dari setiap

kelas. Contoh ciri gobal berupa jumlah lubang dalam karakter, jumlah lekukan pada

bagian luar, dan jumlah tonjolan. Sedangkan contoh ciri lokal adalah posisi relatif

dari posisi akhir garis, perpotongan garis dan sudut-sudut.

Ciri-ciri yang bagus memiliki karakteristik antara lain:

a. Membedakan (discrimination), yaitu ciri tersebut harus mampu membedakan

suatu obyek dengan obyek dari kelas yang berbeda.

b. Dapat dipercaya (Reliability), yaitu ciri harus dapat dipercaya untuk semua obyek

dalam kelompok yang sama.

c. Tidak Terikat (Independent), yaitu setiap komponen ciri tidak memiliki korelasi

yang tinggi dengan komponen ciri lainnya.

d. Jumlah ciri sedikit (small number), karena apabila ciri yang dipakai banyak

dimungkinkan akan terjadi adanya korelasi yang tinggi antar ciri yang akan

mengakibatkan penurunan unjuk kerja sistem secara keseluruhan.

Terdapat banyak cara untuk memperoleh sifat dari suatu karakter. Salah satu

cara yang dapat dipakai adalah dengan mencari sifat dari sekelompok bagian

karakter, selanjutnya disebut dengan unit, berdasarkan pada informasi yang

tersimpan dalam unit tersebut. Sifat ini ditandai dengan sebuah angka. Secara garis

besar salah satu cara yang dapat dilakukan untuk mengekstrak fitur adalah :


28

a. Sebuah citra karakter dibagi menjadi 3 x 3 bagian sehingga menjadi 9 bagian

yang disebut dengan unit.

b. Setiap unit dalam keseluruhan citra akan dicari banyaknya piksel obyek.

Gambar 2.13 Ilustrasi perhitungan ciri karakter Jawa: tarung

2.8.2. Langkah Klasifikasi

Klasifikasi merupakan tahap pengenalan terhadap suatu obyek. Pada tahap ini

obyek dikelompokkan ke dalam suatu kelas tertentu berdasarkan ciri-cirinya.

Pengelompokkan dikatakan berhasil apabila obyek sama dikelompokkan pada kelas

yang sama, dan obyek berbeda dikelompokkan pada kelas yang berbeda. Klasifikasi

dapat dilakukan dengan pendekatan statistik, pendekatan alamiah atau pendekatan

struktural.

Pendekatan statistik dilakukan dengan mendefinisikan setiap komponen dari

feature space berupa nilai feature atau ukuran yang berupa variabel random yang

menggambarkan sifat variabilitas dalam kelas dan antara kelas. Sebuah classifier

akan membagi feature space ke dalam daerah-daerah yang berhubungan dalam setiap

kelas. Contoh klasifikasi yang menggunakan pendekatan statistik adalah dengan

jarak tangen dan model Bayesian.

Pendekatan alamiah yang biasa digunakan adalah pencocokan template.

Piksel secara individu diperlakukan sebagai feature. Kesamaan pola dinyatakan

dengan mendefinisikan ukuran jarak. Kelas template yang memiliki jumlah

11 5 61 6 47 7 6


29

kesesuaian maksimum kemudian dipilih sebagai kelas dari pola tes. Pendekatan ini

disebut dengan pendekatan korelasi maksimum. Di samping itu terdapat pendekatan

minimum kesalahan yang akan memilih kelas template yang memiliki jumlah

minimum ketidaksesuaian sebagai kelas dari pola tes. Aturan K-nearest neighbour

adalah aturan yang biasa digunakan untuk mencari kedekatan pola. Pencocokan

template akan efektif jika variasi dalam kelas hanya memuat sedikit noise dan pola

tes sudah bebas dari noise. Contoh klasifikasi dengan pencocokan template adalah

feature point extraction (Brown, 2000).

Pendekatan struktural menyatakan pola karakter dengan cara yang sederhana

dengan menyatakan hubungan antara struktur yang ada. Misal untuk menyatakan

karakter A maka dikatakan terdiri dari dua garis lurus yang bertemu pada titik akhir

di atas, serta garis ketiga berada di tengah-tengah dan membuat lubang. Contoh

klasifikasi dengan pendekatan struktural adalah pendekatan neural network dengan

binary tree.

Salah satu metode untuk melakukan klasifikasi dengan pendekatan alamiah

dilakukan dengan cara sebagai berikut:

a. Nilai setiap unit pada lokasi yang bersesuaian dari karakter yang akan dikenali

dibandingkan dengan nilai setiap unit karakter yang terdapat dalam basis data.

Perbandingan ini dilakukan dengan menggunakan modifikasi dari jarak Euclide.

Jarak Euclide De(p,q)dari dua piksel p,q, dengan koordinat masing-masing di

titik (x,y),dan (s,t), didefinisikan sebagai berikut:

De(p,q) = ( (x-s)2 + (y-t)2 )½ (2.15)


30

i j

Dari rumus 2.15 di atas kemudian dilakukan modifikasi rumus untuk

mendapatkan jarak antara dua buah fitur karakter yang dibagi dalam 8 unit

karakter. Apabila terdapat dua buah fitur karakter a,b dengan banyak unit

sembilan (9), maka jarak Df(a,b)antara dua buah fitur tersebut dapat

didefinisikan sebagai berikut:

Df(a,b) = Σ Σ |aij – bij| (2.16)

di mana i, j berjalan dari 1 sampai dengan 3.

b. Dicari jarak yang paling minimum dari nilai-nilai hasil perbandingan pada

langkah satu. Jarak yang paling minimum dan masih di bawah batas atas nilai

jarak yang diperbolehkan akan dipilih sebagai karakter yang paling mendekati

karakter yang akan dikenali tersebut.


31

BAB III

PERANCANGAN SISTEM

Seperti yang telah dijelaskan pada bab pendahuluan sebelumnya, maka tujuan

dari penelitian adalah untuk merancang dan membangun suatu aplikasi perangkat

lunak yang mampu melakukan pengenalan citra dokumen buku sastra jawa ke dalam

format teks Latin secara otomatis. Ilustrasi tujuan umum dari sistem ini dapat dilihat

pada gambar 3.1.

Gambar 3.1 Gambaran Umum Tujuan Sistem

3.1 Spesifikasi Sistem

Sistem untuk melakukan konversi dari citra dokumen ke dalam teks

dibedakan menjadi dua bagian, yaitu: Sistem Pembuat Basis Data (SPBD) dan

Sistem Pengenalan Citra Dokumen (SPCD). Sistem pembuat basis data dipergunakan

Proses

Input: Output:


32

untuk membuat basis data citra karakter Jawa dan terjemahan karakter tersebut dalam

bahasa Latin. Sedangkan Sistem Pengenalan Citra Dokumen berfungsi untuk

melakukan pengenalan citra dokumen ke dalam teks Latin. Spesifikasi sistem atau

kemampuan-kemampuan yang dimiliki oleh masing-masing sistem tersebut akan

diuraikan seperti berikut ini.

3.1.1 Spesifikasi Sistem Pembuat Basis Data

Adapun kemampuan-kemampuan yang dimiliki oleh sistem ini yaitu:

a. Sistem dapat menghitung ciri-ciri karakter jawa dan menyimpan ciri-ciri tersebut

ke dalam basis data ciri tiap karakter Jawa.

b. Sistem dapat menentukan terjemahan Latin dari setiap karakter Jawa.

3.1.2 Spesifikasi Sistem Pengenalan Citra Dokumen

Spesifikasi atau kemampuan-kemampuan dari sistem ini adalah:

a. Sistem mampu melakukan proses normalisasi orientasi citra secara otomatis.

b. Sistem mampu melakukan proses binarisasi citra secara otomatis.

c. Sistem mampu melakukan proses filling citra secara otomatis.

d. Sistem mampu melakukan proses thinning citra secara otomatis.

e. Sistem mampu melakukan proses segmentasi citra secara otomatis.

f. Sistem mampu melakukan proses pengenalan karakter Jawa secara otomatis.

g. Sistem mampu melakukan proses pembentukan kata dari karakter-karakter Jawa

secara otomatis.


33

3.1.3 Proses Pengenalan Citra Karakter Dalam Citra Dokumen

Proses pengenalan suatu citra karakter dilakukan dengan mencocokkan ciri

citra karakter tersebut dengan ciri karakter yang terdapat dalam basis data ciri

karakter. Suatu citra karakter query mula-mula dihitung cirinya, kemudian dilakukan

pencocokan ciri citra query dengan ciri citra dalam basis data ciri karakter. Apabila

dari hasil pencocokan terdapat ciri dalam basis data yang bedanya dengan ciri citra

karakter query di bawah nilai threshold tertentu, maka citra karakter query tersebut

akan dikenali. Suatu citra karakter dikatakan dikenali apabila kemudian muncul

informasi nama latin dan citra karakter Jawa yang bersesuaian dengan ciri citra

karakter query dari basis data ciri karakter.

Apabila dari hasil pencocokan tidak ada ciri yang bedanya di bawah nilai

threshold tertentu, maka citra karakter query tersebut akan direkomendasikan sebagai

citra karakter Jawa yang baru, dan akan memasuki proses penambahan data dalam

basis data citra karakter Jawa.

3.2 Desain Sistem

Secara garis besar sistem pengenalan citra dokumen yang dibangun di sini

dibagi menjadi dua bagian:

a. Bagian Pembuat Basis Data, dipergunakan untuk membuat basis data karakter

Jawa yaitu berupa karakter-karakter Jawa pembentuk kata beserta nama Latin

dari karakter Jawa yang bersesuaian.

b. Bagian Pengenalan Citra Dokumen, dipergunakan untuk mengenali citra

dokumen.


34

Gambar 3.2. berikut ini menunjukkan struktur hubungan antara bagian pembuat basis

data dan bagian pengenal citra dokumen.

Citra KarakterPembuat

Basis Data

Nama Latin dan Ciri setiap

Karakter

Pengenal

Citra DokumenHasil Pengenalan,Citra Karakter BaruCitra Dokumen

Gambar 3.2. Struktur Hubungan Antara Bagian Pembuat Basis Data

dan Bagian Pengenal Citra Dokumen

3.2.1 Desain Struktur Data

Data yang dipakai dalam Sistem Pembuat Basis Data terdiri dari data citra

karakter Jawa yang akan disimpan dalam basis data, dan basis datanya sendiri. Basis

data yang akan dibuat oleh Sistem Pembuat Basis Data adalah basis data ciri karakter

Jawa yang terdiri dari citra karakter, ciri karakter, dan nama latin dari karakter Jawa

yang bersesuaian.

Struktur data dari basis data ciri citra karakter Jawa bertipe cell array dua

dimensi berukuran n x 3, di mana dalam bahasa pemrograman Matlab bentuknya

adalah:

ciri = cell(1,3);


35

dengan keterangan setiap selnya adalah sebagai berikut

1. cell kolom ke 1 bertipe char array dipergunakan untuk menyimpan nama

latin dari karakter Jawa

2. cell kolom ke 2 bertipe double array, dipergunakan untuk menyimpan ciri

karakter Jawa

3. cell kolom ke 3 bertipe uint8 array (logical), dipergunakan untuk menyimpan

citra biner karakter Jawa.

3.2.2 Diagram Aliran Data

Diagram aliran data dari sistem untuk pengenalan citra dokumen ini terdiri

dari dua bagian, yaitu Sistem Pembuat Basis Data (SPBD) dan Sistem Pengenalan

Citra Dokumen (SPCD). SPDC berfungsi untuk mengolah citra dokumen sehingga

dihasilkan deretan karakter pembentuk dokumen beserta ciri dari setiap karakter

yang diperoleh. SPBD berfungsi untuk membuat basis data yang berisi ciri karakter

Jawa dan terjemahan karakter Jawa tersebut ke dalam karakter Latinnya. Ciri yang

dimasukkan dalam SPBD dihasilkan oleh SPCD pada saat mengenal citra dokumen.

Basis data yang dihasilkan oleh SPBD selanjutnya akan dipergunakan oleh SPCD

untuk mengenal nama-nama Latin dari setiap karakter Jawa yang ditemukan

berdasarkan ciri yang dipunyai oleh karakter tersebut.

3.2.2.1 Diagram Aliran Data Sistem Pembuat Basis Data (SPBD)

Diagram aliran data dari SPBD terdiri dari beberapa level, yaitu dimulai dari

level 0 sampai level 2. DFD level 0 dari SPBD (gambar 3.3) terdiri dari 2 komponen,

yaitu satu proses dan satu entitas luar yaitu pengembang (developer) yang

memberikan input kepada sistem dan yang menerima output dari sistem.


36

Input yang diberikan developer kepada sistem adalah berupa citra karakter

Jawa, dan nama Latin yang bersesuaian dengan karakter Jawa tersebut. Sedangkan

outputnya adalah citra karakter, ciri karakter, dan nama latin dari karakter.

DeveloperSistem

PembuatBasis Data

citra karakter, nama latincitra karakter, ciri karakter, nama latin

Gambar 3.3 DAD Level 0 Sistem Pembuat Basis Data

Informasi lebih rinci dari proses SPBD diperlihatkan dalam DFD level 1

(gambar 3.4). Dalam DFD level 1 SPBD ini terdapat dua buah proses, yaitu proses

Olah Data, dan proses Cari Nama. Proses Olah Data berfungsi untuk mengelola citra

karakter. Proses Cari Nama berfungsi untuk menemukan ciri dan citra dari nama latin

karakter yang diberikan oleh developer.

1Olah Data

2cari nama

citra ka

rakter, n

ama latin

nama latin

citra ka

rakter, n

ama latin,

ciri ka

rakter

File PustakaKarakter Jawa

citra karakter, nama latin,

ciri karakter

citra ka

rakter, n

ama latin,

ciri ka

rakter

citra karakter, nama latin,

ciri karakter

Developer

Gambar 3.4 DAD Level 1 Sistem Pembuat Basis Data


37

citra karaktercitra karakter

citra karakter ciri karakter

citra karakter ciri karakter

ciri karakternama latin

citra karakter, nama latin

citra karakter, nama latin, ciri karakter

citra karakter, nama latin, ciri karakter citra karakter, nama latin, ciri karakter

Gambar 3.5. DAD Level 2 Proses Olah Data

Proses Olah Data dijabarkan secara lebih rinci dalam DAD level 2 (gambar

3.5 di atas). Proses Buka File berfungsi untuk membuka file citra karakter Jawa dari

direktori data, dan menyimpan file tersebut dengan nama KarJawa.mat pada direktori

program. Kemudian developer dapat melanjutkan proses untuk mencari ciri dari

karakter Jawa masukan dengan mempergunakan proses Ekstraksi Ciri. Ciri dari

karakter yang dihasilkan akan disimpan dalam file cirikar.mat. Proses Cari Ciri

berfungsi untuk mencari citra karakter dan nama latin dari ciri karakter, dan

kemudian memberikan keluaran berupa data ciri karakter Jawa dari citra karakter

yang bersesuaian. Apabila citra dengan ciri karakter masukan sudah terdapat dalam

1.1 Buka File

1.4 Tambah

Data

1.3 Cari Ciri

1.2 Ekstraksi

Ciri

File Citra Karakter Jawa

File Ciri Karakter Jawa

File Pustaka Karakter Jawa

Developer


38

database, maka proses juga akan menampilkan nama latin dari karakter Jawa tersebut

kepada Developer. Apabila data citra karakter dengan ciri tertentu belum ada dalam

database, maka proses Tambah Data akan memasukkan data citra karakter Jawa

tersebut ke dalam basis data Pustaka Karakter Jawa.

3.2.2.2 Diagram Aliran Data Sistem Pengenalan Citra Dokumen (SPCD)

Diagram aliran data dari SPCD terdiri dari beberapa level, yaitu dimulai dari

level 0 seperti terlihat dalam gambar 3.6., sampai level 2. Entitas luar yaitu user

memberikan masukan kepada sistem berupa citra dokumen yang akan dikonversi.

Selain itu sistem juga akan mengambil informasi dari basis data Pustaka Karakter

Jawa, di mana basis data tersebut dihasilkan oleh Sistem Pembuat Basis Data. Sistem

kemudian akan memproses citra dokumen yang diperoleh dari user untuk

menghasilkan keluaran berupa teks dokumen dari citra dokumen yang bersangkutan,

dan kemudian memberikan hasil tersebut kepada user.

User

SistemPengenalan

CitraDokumen(SPCD)

citra dokumen

teks dokumen


ciri karakter Jawa,Nama Latin

Developer

citra ka

rakter

Gambar 3.6 DAD Level 0 Sistem Pengenalan Citra Dokumen

Informasi lebih rinci dari proses SPCD diperlihatkan dalam DAD level 1

SPCD seperti terlihat dalam gambar 3.7. Terdapat tujuh buah proses dalam sistem


39

SPCD ini. Sedangkan masukan untuk sistem diperoleh dari user maupun dari Sistem

Pembuat Basis Data.

User

citra biner

3Filling

4Thinning

5Segmen

6Pengenalan

Karakter

7Pembentukan

Kata

Filecitra biner

citra terotasi

citra terotasi

Filecitra filling

citra filling

citra filling

File citrakerangka dokumen

citra kerangka dokumen


Filecitra-citra karakter citra-citra karakter

citra-citra karakter

8TampilData


ciri karakter jawa, nama latin

FileNama-nama latin

nama-nama latin

nama-nama latin

File Teks deretan kata

deretan kata

CItr

aD

okum

en

citra biner

2Normalisasi

Orientasi

1Binarisasi

Filecitra terotasi

tasi

citra-citra baris File citra-citra baris

ciri karakter jawa, nama latin, citra karakter

Developer

Teks

Dok

umen

citra karakter baru

Gambar 3.7 DAD Level 1 Sistem Pengenalan Citra Dokumen


40

Setelah user memberikan masukan berupa citra dokumen, kemudian sistem

akan melakukan proses binarisasi. Proses binarisasi ini berfungsi untuk memisahkan

citra utama dengan citra latar belakang. Sebagai hasil dari proses ini akan diperoleh

data citra biner yang mempunyai nilai 1 jika piksel dari citra adalah bagian dari latar

belakang, atau 0 jika piksel dari citra adalah bagian dari citra utama.

Proses selanjutnya adalah proses normalisasi orientasi. Proses normalisasi

orientasi bertujuan untuk mengetahui seberapa besar sudut penyimpangan proses

scanning, dan kemudian apabila ditemukan sudut dengan besar tertentu, maka citra

masukan kemudian dirotasi sebesar sudut penyimpangannya.

Setelah dihasilkan citra biner yang normal, maka data citra biner normal akan

disimpan dan diproses ke tahap berikutnya, yaitu proses Filtering. Dalam proses

filtering citra tadi akan dikurangi sebanyak mungkin noisenya. Hasil dari proses

filtering adalah berupa citra biner yang relatif sudah bebas dari noise, seperti tidak

ada lagi piksel yang terasing, atau adanya lubang di dalam kerumunan piksel.

Tahap selanjutnya adalah proses thinning, yaitu proses yang berfungsi untuk

menghasilkan kerangka dari setiap bentuk citra karakter Jawa. Sebagai hasil dari

proses ini akan diperoleh citra dokumen yang setiap karakter dalam dokumen

tersebut sudah berupa kerangka pokoknya saja.

Hasil dari proses thinning ini kemudian akan diolah lagi dalam proses

segmentasi. Proses segmentasi berfungsi untuk memisahkan setiap karakter dari

karakter yang lain. Keluaran dari proses ini adalah deretan citra karakter Jawa yang

menyusun citra dokumen yang dimasukkan oleh user.


41

Proses pengolahan tingkat piksel berakhir di proses segmentasi. Langkah

berikutnya adalah proses pengenalan karakter. Dalam proses ini setiap karakter Jawa

yang diperoleh akan dicoba untuk dikenali dengan nama Latinnya. Sehingga sebagai

hasil dari proses ini akan berupa deretan nama-nama Latin penyusun citra dokumen

di awal.

Setelah deretan nama-nama Latin diperoleh maka nama-nama Latin itu akan

dipakai sebagai masukan untuk proses pembentukan kata. Proses pembentukan kata

ini akan menyusun kata-kata berdasarkan nama-nama Latin yang diperoleh. Jika

semua nama sudah selesai diproses menunjukkan bahwa proses pembentukan kata

juga selesai. Proses selanjutnya tinggal menampilkan hasil akhir dari keseluruhan

proses konversi kepada user, yaitu berupa sebuah teks dokumen.

1.1Cari

Ambang

citra dokumen ambang 1.2UbahBiner

citra biner Filecitra biner

User

citra dokumen

Gambar 3.8 DAD Level 2 Proses Binarisasi

Penjabaran lebih rinci dari proses-proses binarisasi, normalisasi orientasi,

filling, segmentasi, dan pengenalan karakter dinyatakan dalam DAD level 2. DAD

level 2 proses Binarisasi (gambar 3.8 di atas) dijabarkan menjadi proses Cari

Ambang, dan Ubah Biner. Proses Cari Ambang akan mencari nilai ambang threshold

yang menjadi acuan pemisahan obyek dari latar. Nilai ambang threshold ini

kemudian dikirim ke proses Ubah Biner. Proses Ubah Biner akan mengubah nilai


42

elemen dari matriks citra inputan menjadi hanya bernilai 0 atau 1, di mana nilai 0

menyatakan obyek sementara nilai 1 menyatakan latar belakang obyek.

DAD level 2 proses Normalisasi Orientasi dijabarkan menjadi proses Cari

Teta dan Rotasi (gambar 3.9). Proses Cari Teta akan mencari besar sudut kemiringan

teta (θ) hasil proses scanning citra. Kemudian nilai teta ini akan dikirim ke proses

Putar Citra yang akan memutar citra biner sebesar sebagai teta apabila nilai teta tidak

sama dengan nol.

2.1Cari Teta

citra biner teta 2.2PutarCitra

citra biner

citra terotasi Filecitra terotasi

Gambar 3.9 DAD Level 2 Proses Normalisasi Orientasi

Proses Filling dijabarkan lebih lanjut dalam DAD level 2 seperti ditunjukkan

dalam gambar 3.10, yaitu terdiri dari proses Erosi dan Dilatasi. Proses Erosi akan

mengubah nilai piksel dari obyek menjadi latar apabila ditemukan adanya piksel-

piksel obyek yang terasing dalam piksel latar pada citra masukan. Citra baru hasil

proses Erosi kemudian dipakai sebagai masukan dalam proses Dilatasi. Dalam proses

Erosi piksel-piksel latar yang terasing dalam kelompok piksel obyek akan diubah

menjadi piksel obyek.

3.1Erosi

citra terotasi citra ubah1 3.2Dilatasi

citra filling Filecitra filling

Gambar 3.10 DAD Level 2 Proses Filling


43

5.1Proyeksivertikal

citra kerangka dokumen histogram vertikal 5.2Cari indek

baris


indek baris Fileindek baris

indek baris

5.3Potongbaris

citra-citra baris

Filecitra-citra baris

5.4Proyeksihorisontal

citra-citra baris

5.5Cari indek

kolom

citra-citra baris

indek kolom Fileindek kolom

indek kolom

5.6Potongkarakter

citra-citra baris

citra-citra karakterFilecitra-citra karakter

Gambar 3.11 DAD Level 2 Proses Segmentasi

DAD level 2 proses Segmentasi (gambar 3.11 di atas) dijabarkan menjadi

proses Proyeksi Vertikal, Cari Indek Baris, Potong Baris, Proyeksi Horisontal, Cari

Indek Kolom, dan proses Potong Karakter. Proses Proyeksi Vertikal akan

menghitung banyaknya piksel hitam yang tegak lurus sumbu y sesuai dengan rumus

2.13. Nilai proyeksi vertikal kemudian dipergunakan dalam proses Cari Indek Baris

untuk menemukan indek-indek baris yang akan menjadi acuan untuk membagi citra

masukan menjadi baris-baris karakter citra pada proses Potong Baris. Sehingga dari

proses Potong Baris akan diperoleh baris-baris citra karakter yang akan disimpan

dalam suatu file, serta akan dikirim ke proses Proyeksi Horisontal. Pada Proses

Proyeksi Horisontal akan dihitung banyaknya piksel hitam yang tegak lurus sumbu x

dengan mempergunakan rumus 2.14. Nilai proyeksi horisontal kemudian


44

dipergunakan dalam proses Cari Indek Kolom untuk menemukan indek-indek kolom

setiap baris data yang akan menjadi acuan untuk membagi citra masukan menjadi

citra-citra karakter pada proses Potong Karakter. Sehingga hasil akhir dari

keseluruhan proses segmentasi adalah citra-citra karakter penyusun citra masukan,

yang akan disimpan dalam sebuah file .

Penjabaran lebih rinci proses Pengenalan Karakter digambarkan dalam

gambar 3.12. Terdapat dua buah proses utama dalam DAD tersebut, yaitu proses

Ekstraksi Ciri dan proses Cari Ciri. Proses Ekstraksi Ciri berfungsi untuk

menghitung ciri dari citra karakter masukan. Ciri hasil proses Ekstraksi Ciri ini

kemudian akan dipergunakan sebagai masukan dalam proses Cari Ciri, untuk

menemukan nama latin dari citra karakter masukan.

6.1Ekstraksi

ciri

citra-citra karakter 6.2Cari

karakter

ciri-ciri karakter

nama-n

ama l

atin

Filenama-nama latin

ciri ka

rakter ja

wa, nama latincitra-citra karakter


citra karakter baru

Developer

Gambar 3.12 DAD Level 2 Proses Pengenalan Karakter


45

3.2.3 Struktur Program

Struktur suatu program adalah hasil pemetaan dari desain diagram aliran data.

Tujuan dari pembuatan struktur program ini adalah agar sistem yang nanti dihasilkan

akan lebih mudah untuk ditesting, diubah, dan dirawat. Struktur program dari sistem

untuk konversi citra dokumen ke teks tediri dari dua bagian, yaitu struktur program

Sistem Pembuat Basis Data dan struktur program Sistem Pengenalan Citra Dokumen.

Struktur program Sistem Pembuat Basis Data secara garis besar dibagi

menjadi tiga modul, seperti ditunjukkan dalam gambar 3.13. Modul baca citra

berfungsi untuk membuka file citra karakter Jawa. Modul hitung ciri citra

dipergunakan untuk menghitung ciri-ciri citra karakter Jawa, dan kemudian

menyimpan ciri dari citra tersebut ke dalam basis data ciri citra karakter. Kemudian

modul pasang nama berfungsi untuk memasangkan bunyi pembacaan karakter Jawa

yang bersangkutan dalam huruf Latinnya. Sebagai contoh, karakter akan

dipasangkan dengan kata pra.

Gambar 3.13 Struktur Program Sistem Pembuat Basis Data

Sistem Pembuat Basis Data

Olah Data Cari Nama

Tambah Data

Cari Ciri Ekstraksi Ciri

Buka File


46

Struktur program Sistem Pembuat Basis Data, seperti ditunjukkan dalam

gambar 3.13, secara garis besar dibagi menjadi 2 modul. Modul Olah Data berfungsi

untuk mengelola citra karakter Jawa, dan modul Cari Nama berfungsi untuk

membantu developer menemukan citra-citra karakter beserta cirinya dengan panduan

nama latin dari Karakter Jawa. Modul Olah Data kemudian dibagi lagi menjadi sub

modul Buka File, Ekstraksi Ciri, Cari Ciri, dan Tambah Data. Submodul Buka File

berfungsi untuk membuka file citra karakter. Submodul Ekstraksi Ciri berfungsi

untuk menghitung ciri citra karakter. Submodul Cari Ciri berfungsi untuk mencari

citra karakter dalam basis data pustaka berdasarkan ciri dari karakternya. Submodul

Tambah Data berfungsi untuk menambahkan data citra ke dalam basis data pustaka.

Struktur program Sistem Pengenalan Citra Dokumen, seperti ditunjukkan

dalam gambar 3.14, secara garis besar dibagi menjadi delapan modul. Modul

normalisasi orientasi berfungsi untuk merotasi citra dokumen sebesar sudut

kemiringan hasil scanning. Modul binarisasi berfungsi untuk membuat citra asli

menjadi citra biner. Citra biner tersebut akan berwujud sebagai matriks yang semua

elemennya berupa nilai 0 atau 1. Modul filtering berfungsi untuk mengurangi

sebanyak mungkin noise. Modul thinning akan berfungsi untuk menghasilkan

kerangka dari setiap bentuk citra karakter Jawa. Hasil dari proses thinning ini

kemudian akan dipakai untuk proses segmentasi, yang akan dijalankan oleh modul

segmentasi. Modul segmentasi ini berfungsi untuk memisahkan setiap karakter dari

karakter yang lain. Dalam modul pengenalan karakter, tiap karakter Jawa yang

diperoleh dari modul segmentasi akan dikenali dengan nama Latinnya. Kemudian

modul pembentukan kata semua nama-nama Latin yang diperoleh dari modul


47

pengenalan karakter akan dibentuk sebagai kata-kata dalam bahasa Latin juga. Dan

terakhir modul tampil hasil akan memberikan user hasil konversi citra dokumen yang

diproses.

filtering

Sistem KonversiCitra ke Teks

pengenalankaraktersegmentasibinarisasi thinning tampil datapembentukan

katanormalisasi

orientasi

Gambar 3.14. Struktur Program Sistem Pengenalan Citra Dokumen

3.2.4 Desain Antar Muka

a. Fitur yang disediakan oleh sistem Pembuat Basis Data adalah:

i. Buka File

ii. Ekstraksi Ciri

iii. Cari Ciri

iv. Tambah Data

v. Cari Nama

b. Fitur yang disediakan oleh sistem Pengenal Citra Dokumen adalah:

vi. Normalisasi Orientasi

vii. Binarisasi

viii. Filling

ix. Thinning

x. Segmentasi

xi. Pengenalan Karakter

xii. Pembentukan Kata


48

c. Desain layar

Gambar 3.15 Desain Layar Sistem Pembuat Basis Data

filtering

Sistem Pengenalan Citra Dokumen

pengenalankaraktersegmentasithinning Buat

BasisDatapembentukan

kata

INPUT: OUTPUT:

Gambar citramasukan Gambar citra

keluaran

normalisasiorientasi

binarisasi

Gambar 3.16 Disain Layar Sistem Pengenalan Citra Dokumen

Buka File KeluarEkstraksi Ciri Cari Ciri Tambah Data Cari Nama

Sistem Pembuat Basis Data

Karakter Jawa: pra

Gambar Karakter Ciri Karakter


49

BAB IV

IMPLEMENTASI SISTEM

Implementasi proses-proses dalam diagram aliran data atau modul-modul

dalam struktur program dalam tahap perancangan sistem dinyatakan dengan

menggunakan bahasa pemrograman Matlab versi 5.0.

Secara garis besar implementasi proses dibagi menjadi dua bagian, yaitu

bagian untuk membuat basis data karakter Jawa, dan bagian untuk pengenalan citra

dokumen. Namun kedua bagian tersebut tidak dapat berdiri sendiri-sendiri, karena

bagian untuk mengenal citra dokumen mempergunakan basis data karakter Jawa,

sedangkan bagian pembuatan basis data mempergunakan sebagian modul dari bagian

pengenalan citra dokumen.

4.1. Antar Muka Pemakai Sistem

Antar Muka Pemakai merupakan sarana untuk menghubungkan antara

pemakai dengan sistem.

4.1.1 Antar Muka Pemakai Sistem Pembuat Basis Data (SPBD)

Tampilan antar muka dari Sistem Pembuat Basis Data (SPBD) digambarkan

dalam gambar 4.1. Menu yang terdapat dalam SPBD adalah Buka File, Ekstraksi

Ciri, Cari Ciri, Tambah Data, Cari Dengan Nama, Info, dan Keluar.

a. Menu Buka File

Menu Buka File berfungsi untuk membaca file citra karakter dari direktori data,

kemudian menyimpannya ke file KarJawa.mat pada direktori program.


50

b. Menu Ektraksi Ciri

Menu Ekstraksi Ciri berfungsi untuk menghitung ciri citra karakter, dan

kemudian menyimpannya dalam file.

Gambar 4.1 Tampilan antar muka pemakai Sistem Pembuat Basis Data

c. Menu Cari Data

Menu Cari Data berguna untuk membantu mencari data citra berdasarkan ciri

dari citra.

d. Menu Cari Dengan Nama

Menu Cari Dengan Nama berguna untuk membantu mencari data citra

berdasarkan nama latin dari citra karakter.


51

e. Menu Tambah Data

Menu Tambah Data berfungsi untuk menambahkan data citra ke dalam basis data

pustaka karakter Jawa.

f. Menu Info

Menu Info berfungsi untuk memberikan beberapa informasi mengenai SPBD.

g. Menu Keluar

Menu Keluar berfungsi untuk keluar dari program.

4.1.2 Antar Muka Pemakai Sistem Pengenal Citra Dokumen(SPCD)

Tampilan antar muka dari Sistem Pengenal Citra Dokumen (SPCD)

digambarkan dalam gambar 4.2. Menu yang terdapat dalam SPCD adalah Binarisasi,

Normalisasi Orientasi, Filling, Thinning, Segmentasi, Pengenalan Karakter, Bentuk

Kata, Info, dan Keluar.

a. Menu Binarisasi

Menu Binarisasi berfungsi untuk mengubah citra dokumen masukan menjadi

citra dokumen biner.

b. Menu Normalisasi Orientasi

Menu Normalisasi Orientasi berfungsi untuk menghitung sudut kemiringan citra

dokumen karena proses scanning yang menghasilkan citra yang tidak tegak lurus

sumbu vertikal. Kemudian setelah diperoleh besar sudut kemiringan, program

akan memutar citra dokumen sebesar sudut kemiringan tersebut.

c. Menu Filling

Menu Filling berguna untuk memperbaiki citra masukan dari noise.


52

Gambar 4.2 Tampilan antar muka pemakai Sistem Pengenal Citra Dokumen

d. Menu Thinning

Menu Thinning berguna untuk membentuk kerangka citra dokumen masukan.

e. Menu Segmentasi.

Menu Segmentasi berfungsi untuk memisahkan citra dokumen menjadi baris-

baris citra, dan kemudian baris-baris citra menjadi citra-citra karakter.

f. Menu Pengenalan Karakter

Menu Pengenalan Karakter berguna untuk mengenali setiap citra karakter dari

citra dokumen. Hasil pengenalan akan berupa deretan nama-nama latin yang

sesuai dengan citra-citra karakter Jawa pembentuk citra dokumen.


53

g. Menu Bentuk Kata

Menu Bentuk Kata berguna untuk membentuk kata dari deretan nama-nama latin

yang dihasilkan oleh proses Pengenalan Citra.

h. Menu Info

Menu Info berfungsi untuk memberikan beberapa informasi mengenai SPCD.

i. Menu Keluar

Menu Keluar berfungsi untuk keluar dari program.

4.2. Implementasi

Gambaran dari garis besar modul-modul yang dipergunakan dalam

implementasi sistem dapat dilihat kembali di setiap diagram aliran data dalam bab

sebelumnya. Berikut ini akan dijabarkan algoritma-algoritma yang dipergunakan

dalam sistem pengenalan citra dokumen.

4.2.1 Modul-Modul Utama Sistem Pembuat Basis Data

Modul-modul dalam sistem pembuat basis data berfungsi untuk mengelola

basis data pustaka karakter Jawa.. Modul-modul dalam sistem ini secara garis besar

terbagi dalam dua buah modul sebagai berikut:

a. Modul Olah Data

Modul untuk proses olah data terdiri dari 4 buah submodul. Submodul yang

pertama adalah submodul BukaFile yang dipergunakan membuka file citra karakter

masukan. Submodul kedua adalah EkstraksiCiri yang berfungsi untuk menghitung

ciri dari citra karakter masukan. Submodul ketiga CariCiri berfungsi untuk mencari

data citra karakter berdasarkan ciri citra karakter. Submodul keempat TambahData


54

dipergunakan untuk menambahkan data citra karakter ke dalam basis data apabila

data citra karakter tersebut belum ada.

1. Submodul BukaFile

• Fungsi: membuka dan menyimpan file citra masukan

• Input: citra karakter pada direktori data yang dihasilkan oleh SPCD

• Output: file KarJawa.mat yang berisi citra karakter masukan

• Algoritma:

1. Baca nama file dan direktori citra masukan

2. Buka file citra masukan

3. Simpan citra masukan dalam file KarJawa.mat

2. Submodul EkstraksiCiri

• Fungsi: menghitung ciri citra karakter masukan

• Input: citra karakter yang disimpan dalam file KarJawa.mat

• Output: file cirikar.mat yang berisi ciri citra karakter masukan

• Algoritma:

1. Buka file KarJawa.mat

2. Set tinggi = size(KarJawa,1)

3. Set lebar = size(KarJawa,2)

4. Bagi KarJawa menjadi 9 bagian (lihat gambar 2.13).

5. Cari jumlahan piksel yang bernilai 1 di setiap bagian karakter hasil

langkah 2.

6. Simpan ciri tersebut menjadi ciri dari karakter yang bersangkutan ke

dalam file cirikar.mat.


55

3. Submodul CariCiri

• Fungsi: mencari citra karakter berdasarkan ciri karakter

• Input: nilai threshold, ciri karakter yang disimpan dalam file cirikar.mat,

serta file basis data karakter Jawa yang disimpan dalam file ciri.mat.

• Output: nama latin dan gambar dari citra karakter yang bersangkutan

• Algoritma:

1. Buka file cirikar.mat

2. Buka file ciri.mat

3. Set JumKar = size(ciri,1), i = 1, terus = 1, ketemu = 0, threshold = 20

4. Masukkan nilai threshold yang baru (jika dikehendaki)

5. Selama i ≤ JumKar dan terus = 1

6. Dengan mempergunakan rumus modifikasi jarak Euclidean, dihitung

jarak antara cirikar dengan ciri[i] = jarak

7. Jika jarak ≤ threshold, maka tampilkan nama latin dan gambar dari

citra karakter yang bersangkutan

8. Set terus = 0, dan ketemu = i

9. Jika jarak > threshold, tambahkan i dengan 1.

10. Jika i > JumKar, dan ketemu = 0, tampilkan pesan karakter belum ada

dalam basis data

4. Submodul TambahData

• Fungsi: menambahkan data citra karakter baru ke basis data pustaka

karakter Jawa


56

• Input: citra karakter yang disimpan dalam file KarJawa.mat, ciri karakter

yang disimpan dalam file cirikar.mat, dan nama latin dari karakter Jawa

yang bersangkutan.

• Output: data citra karakter Jawa

• Algoritma:

1. Buka file KarJawa.mat

2. Buka file cirikar.mat


4. Set JumKar = size(ciri,1)

5. Jika JumKar = 1, set i = 1

6. Jika JumKar > 1, set i = JumKar + 1

7. Pada posisi ke i tambahkan data KarJawa, cirikar, dan nama latin yang

dimasukkan lewat keyboard

8. Update file ciri.mat

b. Modul Cari Nama

• Fungsi: mencari citra karakter berdasarkan nama latin yang dimasukkan

oleh developer

• Input: file basis data karakter Jawa yang disimpan dalam file ciri.mat,

dan nama latin.

• Output: gambar dan ciri dari dari citra karakter yang sesuai dengan nama

yang dimasukkan oleh developer


57

• Algoritma:


2. Tampilkan pesan agar developer memasukkan nama latin dari

karakter yang akan dicari = nama

3. Set JumKar = size(ciri,1)

4. Set i = 1, terus = 1, ketemu = 0

5. Selama i ≤ JumKar dan terus = 1

6. Jika ciri[i,1] = nama, maka tampilkan gambar dan ciri dari citra

karakter yang bersangkutan. Set terus = 0, dan ketemu = i

7. Jika tidak, tambahkan i dengan 1

8. Jika i > JumKar, dan ketemu = 0, tampilkan pesan karakter dengan

nama latin yang dimasukkan developer belum ada dalam basis data

4.2.2 Modul-Modul Utama Sistem Pengenalan Citra Dokumen

Modul-modul dalam sistem pengenalan citra dokumen berfungsi untuk

mengolah citra dokumen sehingga dihasilkan deretan karakter pembentuk dokumen

beserta ciri dari setiap karakter yang diperoleh. Modul-modul dalam sistem ini secara

garis besar terbagi dalam delapan buah modul sebagai berikut:

a. Modul Proses Normalisasi Orientasi

Modul untuk proses normalisasi orientasi terdiri dari 2 buah submodul.

Submodul yang pertama adalah submodul CariTeta, yang dipergunakan untuk

mencari besar sudut kemiringan (θ) hasil proses scanning citra. Submodul yang


58

kedua adalah submodul PutarCitra, yang dipergunakan untuk merotasi sudut

sebesar (θ) yang dihasilkan oleh submodul CariTeta.

1. Submodul: CariTeta

• Fungsi: menentukan kemiringan hasil scanning citra

• Input: citra biner hasil proses binarisasi

• Output: besar sudut penyimpangan (θ)

• Algoritma:

1. Baca file citra masukan

2. Baca tinggi dan lebar dari file input

3. Cari titik tengah dari citra, yaitu m= ½tinggi dan n = ½lebar

4. Dengan mempergunakan rumus 2.4 dihitung besar m dan n

5. Dengan mempergunakan rumus 2.3 dihitung besar setiap momen

qp,µ , di mana p = 0,1 dan q = 0,1

3. Dengan mempergunakan rumus 2.2 dihitung besar (θ)

2. Submodul PutarCitra

• Fungsi: memutar citra dokumen sebesar θ

• Input: citra biner hasil proses binarisasi, dan besar sudut θ

• Output: matriks dari citra dokumen yang telah dirotasi sebesar θ

• Algoritma:

1. Baca file citra masukan

2. Baca tinggi (t) dan lebar (lb) dari file input

3. Set i = 1 dan j = 1


59

4. Selama i ≤ t dan j ≤ lb

5. Dengan mempergunakan rumus 2.1 rotasikan semua piksel

6. Naikkan i dan j satu-satu

7. Ulangi langkah 5 sampai i = t dan j = lb

b. Modul Proses Binarisasi

Modul untuk proses binarisasi juga terdiri dari 2 buah submodul. Submodul

yang pertama adalah submodul CariAmbang, yang dipergunakan untuk mencari

besar nilai ambang yang akan membagi citra menjadi dua bagian, yaitu apakah

bagian dari citra utama atau citra latar belakang. Submodul yang kedua adalah

submodul UbahBiner, yang dipergunakan untuk menjalankan proses pengubahan

nilai intensitas piksel di setiap titik dengan mempergunakan nilai ambang hasil dari

proses CariAmbang.

1. Submodul CariAmbang

• Fungsi: menentukan nilai ambang threshold yang akan berfungsi untuk

memisahkan citra utama dengan citra latar belakang

• Input: citra dokumen (*.jpg)

• Output: nilai ambang

• Algoritma:

1. Buka data input

2. Hitung probabilitas semua piksel dengan mempergunakan rumus 2.6

3. Hitung nilai rata-rata momen dengan mempergunakan rumus 2.9

4. Set i=1


60

5. Hitung momen kumulatif ke nol dari 1 sampai i dengan

mempergunakan rumus 2.7

6. Hitung momen kumulatif ke satu dari 1 sampai i dengan

mempergunakan rumus 2.8

7. Hitung nilai ambang k dari 1 sampai i dengan mempergunakan rumus

2.11

8. Tambahkan i dengan 1

9. Ulangi langkah 5 sampai dengan 7, sampai i = 256

10. Hitung nilai maksimum ambang dengan mempergunakan rumus 2.10

2. Submodul UbahBiner

• Fungsi: Membuat matriks biner dari citra dokumen dimana nilai 0

menyatakan citra utama, dan 1 menyatakan citra latar belakang

• Input: citra dokumen (*.jpg) hasil proses scanning, dan nilai ambang

threshold

• Output: matriks biner

• Algoritma:

1. Mulai dari i=1 sampai dengan tinggi matriks input

2. Mulai dari j=1 sampai dengan lebar matriks input.

3. Dengan mempergunakan rumus 2.5 graylevel pada titik i,j diganti

dengan nilai 0 atau 1.


61

c. Modul Proses Filling

Modul untuk proses filling terdiri dari 2 buah submodul. Submodul yang

pertama adalah submodul Erosi yang dipergunakan untuk mengurangi ukuran dari

daerah obyek, yaitu sebagai akibat adanya piksel-piksel obyek yang berada di daerah

latar atau terasing dari piksel obyek yang lain. Submodul yang kedua adalah

submodul Dilatasi, yang dipergunakan untuk menambahkan piksel obyek untuk

menutup daerah obyek.

1. Submodul Erosi

• Fungsi: mengurangi ukuran dari daerah obyek

• Input: matriks hasil proses normalisasi orientasi

• Output: matriks yang bebas dari piksel-piksel obyek yang terasing

• Algoritma:

1. Set latar = 1

2. Set obyek = 0



5. Apabila i = 1, maka P1 berada di batas kolom paling kanan dari

citra, hitung nilai tetangga dari P1

P2 P3 P1 P4 P6 P5

Apabila nilai tetangga = 5, dan piksel P1 adalah obyek, maka

piksel P1 diubah menjadi latar.


62

6. Apabila i = tinggi, maka P1 berada di kolom baris paling kanan

dari citra,hitung nilai tetangga dari P1

P5 P6 P4 P1 P3 P2



7. Apabila j = 1, maka P1 berada di batas baris paling atas dari citra,

hitung nilai tetangga dari P1,

P6 P1 P2 P5 P4 P3



8. Apabila j = lebar, maka P1 berada di batas baris paling bawah dari

citra, hitung nilai tetangga dari P1,

P6 P2 P3 P5 P1 P4



9. Apabila i ≠ 1 dan i ≠ tinggi, dan apabila j ≠ 1 dan j ≠ lebar, hitung

nilai tetangga dari P1,

P9 P2 P3 P8 P1 P4 P7 P6 P5


piksel P1 diubah menjadi latar


63

1. Submodul Dilatasi

• Fungsi: mengurangi ukuran dari daerah latar

• Input: matriks hasil proses erosi

• Output: matriks yang bebas dari piksel-piksel latar yang terasing

• Algoritma:

1. Set latar = 1

2. Set obyek = 0



5. Apabila i = 1, maka P1 berada di batas kolom paling kanan dari

citra, hitung nilai tetangga dari P1

P2 P3 P1 P4 P6 P5

Apabila nilai tetangga = 0, dan piksel P1 adalah latar, maka piksel

P1 diubah menjadi obyek.

6. Apabila i = tinggi, maka P1 berada di kolom baris paling kanan

dari citra,hitung nilai tetangga dari P1

P5 P6 P4 P1 P3 P2



7. Apabila j = 1, maka P1 berada di batas baris paling atas dari citra,

hitung nilai tetangga dari P1,

P6 P1 P2


64

P5 P4 P3



8. Apabila j = lebar, maka P1 berada di batas baris paling bawah dari

citra, hitung nilai tetangga dari P1,

P6 P2 P3 P5 P1 P4



9. Apabila i ≠ 1 dan i ≠ tinggi, dan apabila j ≠ 1 dan j ≠ lebar, hitung

nilai tetangga dari P1,

P9 P2 P3 P8 P1 P4 P7 P6 P5



d. Modul Proses Thinning

Modul untuk untuk proses thinning dipergunakan untuk menemukan

kerangka dari setiap citra karakter di dalam citra dokumen. Keterangan modul

Thinning selengkapnya adalah sebagai berikut:

• Fungsi: Membuat matriks kerangka untuk setiap karakter dalam citra

dokumen

• Input: matriks yang sudah menjalani proses penghilangan noise

• Output: matriks kerangka dari citra dokumen


65

• Algoritma:



3. Dengan mempergunakan algoritma Hilditch, periksa apakah titik

dalam citra yang ditemukan memenuhi keempat kondisi hilditch. Jika

ya maka titik tersebut harus diubah menjadi titik latar.

4. Ulangi langkah 4 sampai semua titik sudah diperiksa.

e. Modul Proses Segmentasi

Modul untuk proses segmentasi binarisasi terdiri dari enam buah submodul.

Submodul yang pertama adalah submodul ProyeksiVertikal, yang dipergunakan

untuk mencari histogram baris dari citra dokumen. Histogram baris ini kemudian

akan dipakai untuk proses pencarian indek baris dari setiap baris kalimat dari citra

dokumen, seperti tertuang dalam submodul CariIndekBaris. Indek baris ini berisi

keterangan awal dan akhir indek setiap baris kalimat. Indeks baris tersebut kemudian

dipergunakan oleh submodul PotongBaris untuk mendapatkan baris-baris citra

pembentuk citra dokumen. Kemudian dengan mempergunakan submodul

ProyeksiHorisonal dicari histogram kolom dari setiap baris citra yang ditemukan.

Setelah histogram kolom untuk setiap baris kalimat diperoleh, maka kemudian dicari

indek kolom untuk setiap baris citra seperti tertuang dalam submodul

CariIndekKolom. Proses pemisahan karakter dari karakter yang lain kemudian

dilakukan dalam submodul PotongKarakter.


66

1. Submodul ProyeksiVertikal

• Fungsi: Membuat profil proyeksi vertikal dari citra

• Input: matriks yang sudah menjalani proses pengerangkaan

• Output: matriks histogram vertikal

• Algoritma:

1. Set k = tinggi matriks output = i

2. Inisialisasi matriks output hisver dengan [0]



5. Cari jumlahan piksel yang bernilai 1 pada setiap i

2. Submodul CariIndekBaris

• Fungsi: mencari indek baris-baris citra teks

• Input: histogram baris hasil proses profil proyeksi vertikal (hisver)

• Output: indeks koordinat batas atas dan batas bawah dari setiap baris

kalimat dari citra dokumen

• Algoritma:

1. Set t=tinggi matriks input, j = 0

2. Mulai dari i=1 sampai dengan t

3. Set indeks = [0 0]

4. Jika his(i) ≠ 0, maka naikkan j dengan 1, dan catat i sebagai indeks

(j,1)


6. Selama his(i) ≠ 0, naikkan i dengan 1.


67

7. Jika his(i) = 0, catat i-1 dalam indeks (j,2)


9. Ulangi langkah (3) – (7) sampai i = t

3. Submodul PotongBaris

• Fungsi: membagi citra dokumen ke dalam baris-baris teks

• Input: file indek baris yang disimpan dalam file indekbaris, dan file hasil

proses thinning thin.mat

• Output: baris-baris citra dokumen yang disimpan dalam file baris.mat

• Algoritma:

1. Buka file indekbaris

2. Buka file thin.mat

3. Set t=tinggi matriks indekbaris

4. Mulai dari i = 1 sampai dengan t

5. Ambil thin(indekbaris[ i , 1 ]: indekbaris[i , 2], )

6. Simpan dalam file baris.mat

4. Submodul ProyeksiHorisontal

• Fungsi: Membuat profil proyeksi horisontal dari citra baris-baris teks

• Input: indeks hasil proses Baris (indeks), dan matriks hasil

pengerangkaan (thin)

• Output: matriks histogram horizontal (hishor)

• Algoritma:

1. Set k = tinggi matriks indeks, dan u = 0

2. Inisialisasi matriks output dengan hishor = [0]


68

3. Mulai dari i=1 sampai dengan k

4. Set baris[i] =thin[indeks[i,1]:indeks[i,2],:]

5. Mulai dari j=1 sampai dengan lebar matriks baris[i]

6. Mulai dari z=1 sampai dengan tinggi matriks baris[i]

7. Cari jumlahan piksel yang bernilai 1 pada setiap baris[i] di posisi

lebar tinggi z = jumpik. Naikkan u dengan 1. Catat jumpik di

hishor[u]

8. Ulangi langkah 12 sampai j = lebar matriks baris[i]

9. Ulangi langkah 9 sampai dengan 13 sampai i = k

5. Submodul CariIndekKolom

• Fungsi: mencari indek kolom-kolom citra teks

• Input: histogram baris hasil proses profil proyeksi horisontal (hishor)

• Output: indeks koordinat batas kiri dan batas kanan dari setiap citra

karakter dari setiap baris citra

• Algoritma:

1. Set t=tinggi matriks input, j = 0

2. Mulai dari i=1 sampai dengan t

3. Set indeks = [0 0]

4. Jika his(i) ≠ 0, maka naikkan j dengan 1, dan catat i sebagai indeks

(j,1)


6. Selama his(i) ≠ 0, naikkan i dengan 1.

7. Jika his(i) = 0, catat i-1 dalam indeks (j,2)


69


9. Ulangi langkah (3) – (7) sampai i = t

6. Submodul PotongKarakter

• Fungsi: membuat batas-batas citra karakter

• Input: indek kolom hasil proses submodul CariIndekKolom, dan baris-

baris citra karakter yang tersimpan dalam file baris.mat.

• Output: citra-citra karakter yang kemudian disimpan dalam file

dokumen.mat

• Algoritma:

1. Buka file indek kolom

2. Set t=tinggi matriks indek kolom

3. Buka file baris

4. Mulai dari i = 1 sampai dengan t

5. Ambil citrakarakter = baris( : , indekkolom[ i , 1 ]: indekkolom[i , 2] )

dan kemudian simpan dalam file dokumen.mat


f. Modul Proses Pengenalan Karakter

Modul untuk proses pengenalan karakter terdiri dari 2 buah submodul.

Submodul yang pertama adalah submodul untuk melakukan ekstraksi ciri, yaitu

submodul EkstraksiCiri. Submodul ini akan menghitung ciri dari karakter yang

akan dikenali, di mana keterangan selengkapnya dapat dilihat pada submodul

EkstraksiCiri pada Sistem Pembuat Basis Data. Setelah ciri dari karakter ditemukan,


70

maka langkah berikutnya adalah mencocokkan ciri tersebut dengan setiap ciri yang

terdapat dalam basis data karakter Jawa (karakter template). Modul untuk proses

pencarian karakter ini tertuang dalam modul CariKarakter.

1. Submodul CariKarakter

• Fungsi: mencari nama dari karakter yang dimasukkan

• Input: matriks citra karakter (kar), database karakter (template)

• Output: nama latin dari karakter masukan atau pesan bahwa karakter

tidak ada

• Algoritma:

1. Masukkan karakter yang akan dicari namanya = kar

2. Cari ciri dari karakter kar dengan mempergunakan modul cariciri,

simpan dalam cirikar

3. Set i = 1

4. Hitung beda antara cirikar dengan ciri dalam template (ciritemp),

yaitu jumlahan harga mutlak dari selisih cirikar dengan ciritemp[i].

5. Jika beda <= 20, tampilkan nama latin dari database, dan proses

selesai

6. Jika beda > 20, tambah i dengan 1.

7. Lanjutkan langkah 4 - 6 sampai i = tinggi matrisk database karakter

8. Jika sampai langkah 7 tidak ditemukan karakter yang sesuai,

tampilkan pesan bahwa tidak ada karakter tersebut dalam database.

Sarankan untuk menyimpan karakter tersebut ke dalam database.


71

g. Modul Pembentukan Kata

Modul untuk untuk proses pembentukan kata dipergunakan untuk menyusun

setiap nama latin yang diperoleh dari proses pengenalan karakter. Keterangan modul

PembentukanKata.m selengkapnya adalah sebagai berikut:.

• Fungsi: Membuat matriks deretan nama latin

• Input: matriks nama-nama latin

• Output: matriks kata

• Algoritma:



3. Sambungkan j karakter yang ada

4. Ulangi langkah 2-3 sampai i = tinggi matriks input.

h. Modul Tampil Data

Modul untuk proses tampil data dipergunakan untuk menampilkan hasil

output pengenalan citra dokumen kepada user. Keterangan modul TampilData.m

selengkapnya adalah sebagai berikut:.

• Fungsi: menampilkan hasil akhir proses pengenalan citra dokumen

• Input: matriks kata

• Output: matriks kata

• Algoritma:


2. Tampilkan isi matriks kata[i]

3. Ulangi langkah 2 sampai i = tinggi matriks input.


72

BAB V

HASIL DAN PEMBAHASAN

5.1. Data Masukan

Data masukan untuk pengujian diambil dari buku sastra jawa “Menak

Sorangan I” dan “Panji Sekar”, pada halaman 3, dan 4. Alasan dipilihnya buku-buku

tersebut karena ketebalan buku relatif tipis sehingga memudahkan untuk proses

mengambilan data dengan scanner. Alasan lain adalah buku tersebut walaupun relatif

kuno, yaitu cetakan pada tahun 1933 dan 1936, tetapi relatif masih baik kualitas

kertasnya. Karakteristik data masukan selengkapnya dapat dilihat dalam tabel 5.1,

dan contoh gambar dari citra dokumen masukan dapat dilihat pada gambar 5.1.

Tabel 5.1. Karakteristik File Masukan

No Nama Dokumen Ukuran Citra baris dan kolom Besar File (byte)

1 Menak Sorangan hal. 3 2208 vs 1502 493056

2 Menak Sorangan hal. 4 2312 vs 1520 3514240

3 Panji Sekar hal. 3 2323 vs 1496 3475208

4 Panji Sekar hal. 4 2307 vs 1505 3472035

5.2. Eksekusi Modul-Modul

Setelah data masukan diperoleh maka selanjutnya dilakukan berbagai proses

pengolahan tingkat piksel atau biasa disebut preprocessing, dengan tujuan untuk

mendapatkan citra-citra karakter yang menyusun citra dokumen.

Tahap pengolahan tingkat piksel yang pertama adalah proses binarisasi. Dari

hasil eksekusi untuk data ke 1 diperoleh nilai ambang sebesar 143. Artinya semua


73

piksel dengan intensitas warna kurang dari atau sama dengan 143 diganti dengan

nilai 0 dan sebaliknya diganti dengan nilai 1 (lihat gambar 5.2).

Gambar 5.3. menampilkan hasil proses normalisasi orientasi untuk data ke 1.

Dalam proses ini diperoleh besar sudut kemiringan θ sebesar 0.537815, sehingga

citra hasil proses binarisasi harus dirotasi dulu sebesar 0.537815.

Gambar 5.1. Contoh Citra Dokumen Menak Sorangan halaman 3 (data ke 1)


74

Gambar 5.2. Contoh Tampilan Citra Hasil Proses Binarisasi


75

Gambar 5.3. Contoh Tampilan Citra Hasil Normalisasi Orientasi


76

Gambar 5.4 menggambarkan cuplikan hasil eksekusi proses thinning. Pada

gambar 5.4 terlihat bahwa hasil thinning menunjukkan tingkat pembuatan kerangka

huruf yang bisa dikatakan baik.

Gambar 5.4. Contoh Tampilan Hasil Proses Thinning

Proses segmentasi dimulai dengan membuat histogram baris dengan tujuan

untuk mendapatkan batas-batas indek pemotongan baris-baris teks. Gambar 5.5.

menggambarkan contoh histogram dengan batas indek untuk pemotongan pada suatu

cuplikan citra dokumen.

Gambar 5.5. Cuplikan histogram hasil proses profil proyeksi vertikal

Batas-batas indeks baris


77

Setelah setiap baris teks dapat dipisahkan, proses segmentasi dilanjutkan

dengan membuat histogram kolom untuk setiap baris teks. Terlihat dalam contoh

gambar 5.6. bahwa hasil histogram menunjukkan kemudahan untuk proses

pemisahan karakter, yaitu dengan mengambil titik-titik dalam histogram yang tidak

bernilai 0, sementara nilai 0 dipergunakan untuk nilai pemisah antar karakter.

Gambar 5.6. Cuplikan histogram hasil proses profil proyeksi horisontal

Setelah proses profil proyeksi horisontal selesai, maka proses selanjutnya

mempergunakan hasil proses tersebut untuk memperoleh citra setiap karakter dari

citra dokumennya. Gambar 5.7 memperlihatkan sebagian citra karakter yang

dihasilkan proses segmentasi.

Gambar 5.7. Contoh citra karakter hasil akhir proses segmentasi

Batas indeks karakter


78

Setelah citra setiap karakter dalam citra dokumen diperoleh, maka kemudian

dapat dilakukan baik proses pembuatan basis data karakter Jawa maupun proses

pengenalan karakter. Tabel 5.2 di bawah ini merupakan hasil akhir proses

pengenalan karakter untuk data ke 1 dari karakter-karakter yang dihasilkan oleh

proses segmentasi. Dalam tabel tersebut diperlihatkan deretan nama latin yang

menjadi nama dari setiap karakter yang ditemukan.

Tabel 5.2. Hasil Proses Pengenalan Karakter Dokumen Menak Sorangan I halaman 3

1 : adeg2 adeg2 pra ju ri t ka la taling ka tarung dra t ca ma pu h ka li ya na pra ju ri t ku par ma n PadaLingsa PadaMadya Dur ma PadaMadya ra ja sa la sa la ha nga ta ga1 ga2 pra ju ri t ti ra PadaLingsa ra tu ing Ta m bang ti mi s si ra ra ja ya l ya l mang sa h ni ti h taling mang tarung pe tha k mang la ga si ke taling p pe bin di PadaLingsa prap ta pa yu dan su sum bar ngu su h tan ding PadaLungsi PadaMadya me taling ta tarung n na na pa taling ya pra ju ri t ku par mban sa par sa ha nge ma sa si PadaLingsa hi ki PadaLingsa sa sa g gen na PadaLingsa han de la ing Ka la taling ka PadaLingsa dra t pa yu tan be ta h mi yar si PadaLingsa ya mit ma nem bah PadaLingsa sang ra ja ja Ba la sa hir PadaLungsi PadaMadya wu sa i ngi taling da na ing gus ti Ta sang su l nga la m mang sah pa ha na taling ha s thi PadaLingsa pa si ke p pan ga da PadaLingsa pra p ta ha yu na ha yun na n sa sa : ha ran mu pra juri t kang me tu ing pra PadaLingsa sun raja ja Ba lasa hir PadaLungsi PadaMadya ing mi Na ba n ku tha ning su n kang mi taling nang tarung ka PadaLingsa han de la ing Bu ru da ngi n ba li ka sira sa sa PadaLingsa pra ju rit Ka la taling ka tarung dra t ing su n ra tu Tam bang hi mi s sun ra ja ma l ya la1 la2 taling ha h pa taling ya ja Ba


79

la1 tarung sa hir PadaLungsi PadaMadya ha ku dhung nga sa ri sa sa n mu taling ba tarung n ba ba ma tarung taling dan yit na ing sun bin di PadaLingsa sang ra ja mi Na ha n ku dhung pa ri taling sa sa sa ja PadaLingsa ra ja ya1 da l yal mu ter bin di PadaLingsa su rak gu me rah PadaLingsa tu me ma1 ma2 puh pu nang bin di PadaLungsi PadaMadya kad ya ge la1 ma2 p tu me ma puh ingpa ri s waja PadaLingsa has ta ni ra ta taling na ha tarung si k sa ra taling jang mi Na adeg2 adeg2 te te dha k a na sa king bu ku se ra t tan ta nga na ing kang taling mi ma pe taling n wa n te na ing L ma2 i d tarung : h ma2 sa ma2PadaLingsa v na : tarung PadaLingsa t na i tarung h PadaLingsa b i o t h na tarung k PadaLungsi

Nama-nama latin yang muncul dalam proses pengenalan karakter sebelumnya

telah terdapat dalam database karakter Jawa yang dibangun oleh sistem pembuat

basis data. Jika sistem menemukan karakter baru yaitu karakter yang belum terdapat

dalam basis data karakter Jawa, maka sistem akan menyimpan karakter baru tersebut

untuk kemudian diproses oleh developer.

Selain nama latin, dalam basis data karakter Jawa juga disimpan ciri dari

setiap karakter dan matriks citra dari setiap karakternya. Tabel 5.3. memperlihatkan

contoh sebagian karakter yang disimpan dalam database karakter Jawa.

Tabel 5.3. Contoh sebagian karakter dalam database karakter Jawa

No.Urut Nama Latin Matriks Ciri Gambar Karakter

1 1 21 23 24 16 8 8 13 5 7

2 : 4 6 4 5 0 0 8 6 0


80


3 4 13 14 19 4 12 15 15 0

4 pra 36 23 40 27 23 28 32 24 35

5 'ju 52 52 41 0 0 50 0 24 24

6 'ri' 5 22 16 19 30 26 0 19 17

7 't ka' 48 51 25 34 27 18 31 30 40

8 'la' 17 14 17 19 8 14 9 15 16

9 'taling' 22 23 23 2 1 19 0 9 7

10 'tarung' 11 5 5 2 7 3 7 7 5

11 'dra' 40 49 34 24 5 27 29 24 35

12 't ca' 61 56 27 20 34 10 26 27 48

13 'ma' 17 14 19 12 16 14 11 16 13

14 'pu' 16 20 49 0 0 51 0 24 26

15 'h ' 12 13 16 10 11 0 4 14 0


81


16 'ka' 18 19 30 25 11 17 7 6 8

17 'li' 0 23 22 15 25 22 29 26 39

18 'ya' 18 18 18 15 17 18 23 18 16

19 'na' 20 9 22 21 19 9 4 0 7

20 'pra' 30 26 48 24 0 26 24 24 32

21 'ju' 61 58 35 0 7 47 0 30 18

22 'ri' 9 20 18 24 36 22 0 12 18

23 't ku' 62 56 30 50 56 54 0 17 36

24 'par' 0 9 18 17 0 18 34 24 14

25 'ma' 19 15 21 15 12 18 10 18 10

26 'n' 67 40 39 8 2 36

19 27 26

27 '.' 6 3 0 0 7 3 0 0 6


82

Seperti telah diuraikan dalam bab sebelumnya, proses di dalam sistem

pembuat basis data mempergunakan modul-modul yang terdapat dalam sistem

pengenalan karakter. Modul utama yang dipergunakan adalah modul untuk ekstraksi

ciri dan pencarian karakter. Dan masukan dalam sistem ini adalah ciri dari karakter

beserta karakter itu sendiri. Maka rekod-rekod penyusun database karakter Jawa

sangat tergantung pada proses pengenalan karakter.

Pada tabel 5.2 terlihat bahwa proses pengenalan karakter akan menghasilkan

nama-nama latin untuk setiap citra karakter dalam citra dokumen. Nama yang

diberikan adalah benar-benar nama latin yang sesuai dengan kaidah karakter Jawa,

dan belum diproses sesuai aturan pembacaan karakter Jawa. Sebagai contoh deretan

citra karakter yang sesuai dengan akan dikenali dengan nama

taling ka tarung. Sistem pengenalan citra dokumen yang dibangun dalam penelitian

ini mencoba untuk membuat proses pembentukan kata, walaupun masih sebatas

menghilangkan tanda-tanda baca seperti taling dan tarung. Sebagai contoh apabila

ditemukan string taling ka tarung, maka string itu akan diubah menjadi ko. Tabel

5.4 di bawah ini memperlihatkan hasil dari proses pembentukan kata dari nama-nama

latin yang terdapat dalam tabel 5.2 di atas.

Tabel 5.4. Hasil Proses Pembentukan Kata

1 : pra ju ri t ka la ka dra t ca ma pu h ka li ya na pra ju ri t ku par ma n , Dur ma ra ja sa la sa la ha nga ta ga pra ju ri t ti ra , ra tu ing Ta m bang ti mi s si ra ra ja ya l ya l mang sa h ni ti h mong pe tha k mang la ga si ke taling p pe bin di ,prap ta pa yu dan su sum bar


83

ngu su h tan ding . me to n na na pa ye pra ju ri t ku par mban sa par sa ha nge ma sa si , hi ki , sa sa g gen na , han de la ing Ka la ke , dra t pa yu tan be ta h mi yar si , ya mit ma nem bah , sang ra ja ja Ba la sa hir . wu sa i ngi de na ing gus ti Ta sang su l nga la m mang sah pa ha na e s thi , pa si ke p pan ga da , pra p ta ha yu na ha yun na n sa sa : ha ran mu pra juri t kang me tu ing pra , sun raja ja Ba lasa hir . ing mi Na ba n ku tha ning su n kang mi nong ka , han de la ing Bu ru da ngi n ba li ka sira sa sa , pra ju rit Ka la ko dra t ing su n ra tu Tam bang hi mi s sun ra ja ma l ya la1 la2 e h pa ye ja Ba la1 tarung sa hir . ha ku dhung nga sa ri sa sa n mu bon ba ba ma tarung de n yit na ing sun bin di , sang ra ja mi Na ha n ku dhung pa ri se sa sa ja ,ra ja ya1 da l yal mu ter bin di , su rak gu me rah , tu me ma1 ma2 puh pu nang bin di . kad ya ge la1 ma2 p tu me ma puh ing pa ri s wa ja , has ta ni ra ta n o si k sa ra jeng mi Na te te dha k a na sa king bu ku se ra t tan ta nga na ing kang taling mi ma pe taling n wa n te na ing L ma2 i d tarung : h ma2 sa ma2. v na : tarung . t na i tarung h . b i o t h na tarung k .

5.3. Analisis Output Pengenalan Karakter

Dari data citra dokumen ke 1 seperti terlihat pada gambar 5.1, dan data citra

dokumen ke 2 pada gambar 5.8 diperoleh hasil output pengenalan karakter seperti

terlihat dalam tabel 5.2 untuk data ke 1, memperlihatkan bahwa tidak semua karakter


84

Gambar 5.8 Isi citra dokumen Menak Sorangan I Halaman 4


85

dari citra dokumen dikenali secara benar. Tabel 5.5. menuliskan kembali tabel 5.2

namun disertai tanda di mana saja karakter yang dikenali secara salah. Tabel 5.6

memperlihatkan hasil pengenalan karakter data ke 2 yang disertai tanda di mana saja

karakter yang dikenali secara salah.

Tabel 5.5 Tabel Karakter Dikenali Dokumen Menak Sorangan I Halaman 3

Baris Karakter Dikenali 1 2 3 4 5 6 7 8 9 10 11 12 13 14

1 : adeg2 adeg2 pra ju ri t ka la taling ka tarung dra t ca ma pu h ka li ya na pra ju ri t ku par ma n PadaLingsa PadaMadya Dur ma PadaMadya ra ja sa la sa la ha nga ta ga1 ga2 pra ju ri t ti ra PadaLingsa ra tu ing Ta m bang ti mi s si ra ra ja ya l ya l mang sa h ni ti h taling mang tarung pe tha k mang la ga si ke taling p pe bin di PadaLingsa prap ta pa yu dan su sum bar ngu su h tan ding PadaLungsi PadaMadya me taling ta tarung n na na pa taling ya pra ju ri t ku par man sa par sa ha nge ma sa si PadaLingsa hi ki sa sa g gen na PadaLingsa han de la ing Ka la taling ka PadaLingsa dra t pa yu tan be ta h mi yar si PadaLingsa ya mit ma nem bah PadaLingsa sang ra ja ja Ba la sa hir PadaLungsi PadaMadya wu sa i ngi taling da na ing gus ti Ta sang su l nga la m mang sah pa ha na taling ha s thi PadaLingsa pa si ke p pan ga da PadaLingsa pra p ta ha yu na ha yun na n sa sa : ha ran mu pra juri t kang me tu ing pra PadaLingsa sun raja ja Ba lasa hir PadaLungsi PadaMadya ing mi Na ba n ku tha ning su n kang mi taling nang tarung ka PadaLingsa han de la ing Bu ru da ngi n ba li ka sira sa sa PadaLingsa pra ju rit Ka la taling ka tarung dra t ing su n ra tu Tam bang hi mi s sun ra ja ma l ya la1 la2 taling ha h pa taling ya ja Ba la1 tarung sa hir PadaLungsi PadaMadya ha


86

15 16 17 18 19 20

ku dhung nga sa ri sa sa n mu taling ba tarung n ba ba ma tarung taling dan yit na ing sun bin di PadaLingsa sang ra ja mi Na ha n ku dhung pa ri taling sa sa sa ja ,ra ja ya1 da l yal mu ter bin di PadaLingsa su rak gu me rah PadaLingsa tu me ma1 ma2 puh pu nang bin di PadaLungsi PadaMadya kad ya ge la1 ma2 p tu me ma puh ingpa ri s waja PadaLungsi has ta ni ra ta taling na ha tarung si k sa ra taling jang mi Na adeg2 adeg2 te te dha k a na sa king bu ku se ra t tan ta nga na ing kang taling mi ma pe taling n wa n te na ing L ma2 i d tarung : h ma2 sa ma2. v na : tarung . t na i tarung h . b i o t h na tarung k PadaLungsi

Tabel 5.6 Tabel Karakter Dikenali Dokumen Menak Sorangan I Halaman 4

Baris Karakter Dikenali 1 4

2 ban ra ja Sa lasal ta tannya PadaLingsa taling hah Bakti yar sa pa hi bi PadaLingsa si gra

3 tur semba PadaLingsa PadaLingsa pra ju ri talingtta nar pa1 pa2 ti PadaLingsa PadaMadya ba la1 la2 ni su na Sang pra bu

4 Ta sang wul nga lam na ma pun ja Ba la sa hir err ki tha tha err na mi Na tan err

5 tarung tu hande la pu ni ka err ta tha ta ha ngu wi sa si ka1 ka2r di PadaLingsa pa gu kang ha

6 prang err ra taling ma bindi bi nindi PadaLungsi PadaMadya ka ga1 ra ga2 pa err ttan ka ha1 ha tarung taling ra tarung

7 ggan ra ja yalyal n err err na da wanti santi err nga ta na hi ngang taling ga1 ga2 : sapn err

8 lumrah pra ju ritti tarung err si na taling tang rum Bu ru da ngin la ngu na ha yu da err

9 taling yan was bindi ti da errndi PadaLingsa PadaMadya ngu :lya mi ga1ndha tarung ga da taling na ka1 tarungdya ki err tir

10 ran ti ta taling na ga da si ji PadaLingsa pa sa na err sa nap sat ga1 ka talingthar par


87

11 ra ja n palyal ku wur bi ngung ing sa nang bis ku pat tur bi sa PadaLingsa sang pra

12 bu ja Ba la Sa hir : PadaLungsi PadaMadya san kapple sa yap ri sa sa talingnna ra jayalyal

13 si rah taling ta tarung ke2 na bindi PadaLingsa ku satting par ha2 da PadaLingsa na pa2 pan ma sa talingnna pe ja PadaLingsa PadaLingsa

14 su ra talingkka gu mu ruh err ya tri err bang taling ka taling na malyal ta taling mar tarung si ma

15 la na Si ti PadaLingsa PadaMadya sa mi taling ta ra ma pra ju ri ta ing ka ya1 PadaLingsa : taling ka tarung

16 Prangt pa ya1 hu2 ke li pat runtik prapta sa ti : ka ga1 err par gi : ta

17 yu err ma2 err ha yunnan sa sa ta ranmu pra ju rit sa taling tanni ga1 dalyal

18 sun ra ja ma2 ja2 Ba la Sa tarung ya PadaLingsa PadaMadya si ra sa sa su ma hur su napa ti : ka

19 l Ka err : ga2 err err ha da taling na ha ling ma Ba la sa hir PadaLingsa hi ga1 ma2 ma2 ta sa : ya1 ha2 na PadaLingsa ing ti

20 pang ga da ning mar err pa rak ti ti : hanni taling ra ki err pe taling ra tarungdki ne tab

21 te sa puh tindi ti nindi PadaLingsa PadaMadya ga ja PadaLingsa kang geggapyu ka pi ne taling ra err

22 da err hing2 wa rak ga ha1 PadaLingsa 1 dhing taling nga err manyjing err sa sa lang1 ma2 nging pa rak su ru

23 manyjing tarung ha2ndhemman kang ni tih tindi bi nindi PadaLingsa kang ti ni ti err tan

Dari hasil pengenalan karakter tabel 5.5 untuk data ke 1 diperoleh tabel data

analisis output pengenalan citra karakter sebagai berikut:


88

Tabel 5.7 Analisis Output Pengenalan Citra Dokumen Menak Sorangan I Hal. 3

No Jumlah Karakter Citra Dokumen Tambahan Karakter Keterangan

Baris Karakter Dikenali Benar Salah Beda spasi Karakter lain

1 18 18 18 0 0

2 11 12 11 0 1 1 Bertambah 1 spasi dibelakang

3 22 23 22 0 1 1 Ada 1 karakter dikenali sebagai 2 karakter




7 23 27 20 3 4 2 2

Bertambah 2 spasi dibelakang dan ada 1 karakter dikenali sebagai 2 karakter sebanyak 2

8 25 25 24 1 0 9 26 26 25 1 0


11 21 21 20 1 0



14 23 25 20 3 2 2Ada 1 karakter dikenali sebagai 2 karakter sebanyak 2



17 24 26 23 1 2 2Ada 1 karakter dikenali sebagai 2 karakter sebanyak 2


19 26 26 20 6 0 Karakter salah besar karena ada 5 karakter latin

20 25 26 11 14 1 1

Bertambah 1 spasi dibelakang. Karakter salah besar karena semua karakter latin

Total 465 492 421 44 27 1 11


89

Dari hasil analisis dalam tabel 5.7, maka diperoleh bahwa dari 465 karakter

dalam citra dokumen, dengan sistem pengenalan citra dokumen diperoleh 421

karakter yang dikenali secara benar. Sehingga dari hasil tersebut dapat dihitung

prosentase derajat keberhasilan pengenalan citra yaitu sebesar (421 / 465) x 100%,

yang akan bernilai 90.54%.

Dari hasil pengenalan karakter tabel 5.6 untuk data ke 2 diperoleh tabel data

analisis output pengenalan citra karakter sebagai berikut:

Tabel 5.8 Analisis Output Pengenalan Citra Dokumen Menak Sorangan I Hal. 4



1 1 1 1 0 0 2 24 24 23 1 0 3 23 23 22 1 0

4 23 25 21 2 2 2Ada 2 karakter masing-masing dikenali sebagai 2 karakter


6 26 26 21 5 0


8 25 27 23 2 2 1 1

Bertambah 1 spasi dibelakang dan ada 1 karakter dikenali sebagai 2 karakter

9 24 29 21 3 5 2 2

Bertambah 2 spasi dan ada 2 karakter dikenali masing-masing dikenali sebagai 2 karakter




13 27 30 18 9 3 2 1



90






17 22 25 17 5 3 2 1



19 24 31 16 8 5 3 2

Bertambah 2 spasi, dan Ada 2 karakter dikenali masing-masing sebagai 2 karakter


21 24 24 19 5 0

22 24 27 19 5 3 1 2

Bertambah 1 spasi dibelakang dan ada 2 karakter masing-masing dikenali sebagai 2 karakter


Total 526 562 434 92 36 1 11

Dari hasil analisis tabel 5.7 diperoleh data bahwa dari 526 karakter dalam

data masukan ke 2 terdapat 434 karakter yang dikenali secara benar. Sehingga dari

hasil tersebut dapat dihitung prosentase derajat keberhasilan pengenalan citra

dokumen yaitu sebesar (434 / 526) x 100%, yang akan bernilai 82.51%.

Cara-cara analisis pada hasil output dari pengenalan citra dokumen buku

sastra Jawa Menak Sorangan I tadi kemudian diterapkan pada analisis hasil output

citra dokumen dari buku sastra Jawa Panji Sekar (lihat lampiran 3). Sehingga secara

keseluruhan dapat diperoleh rangkuman hasil analisis output program untuk

pengenalan citra dokumen sebagai berikut:


91

Tabel 5.9. Rangkuman Hasil Analisis Output Program

Jumlah Karakter Nama Dokumen

Citra Dikenali Benar

Prosentase

Keberhasilan

Menak Sorangan I Halaman 3 465 492 421 90.54

Menak Sorangan I Halaman 4 526 562 434 82.51

Panji Sekar Halaman 3 477 509 345 72.33

Panji Sekar Halaman 4 538 577 429 79.74

Rata-rata Prosentase Keberhasilan 81.28

Maka dari hasil analisis data dapat diperoleh rata-rata keberhasilan proses

pengenalan citra dokumen pada buku sastra Jawa Menak Sorangan I dan Panji Sekar

sebesar 81.28%. Nilai prosentase derajat keberhasilan ini menggambarkan bahwa

pemilihan metode-metode dalam proses pengenalan citra dokumen yang digunakan

dalam penelitian ini untuk mengenali citra dokumen dari buku sastra Jawa Menak

Sorangan I dan Panji Sekar pada halaman 3 dan 4 relatif baik.


92

BAB VI

KESIMPULAN DAN SARAN

6.1. Kesimpulan

Dari penelitian ini maka dapat diambil beberapa kesimpulan sebagai berikut:

1. Sistem Pengenalan Citra Dokumen yang telah dibuat dapat mengenali citra-citra

karakter Jawa penyusun citra dokumen berdasarkan pencocokan ciri citra-citra

karakter antara citra karakter query yang terdapat dalam suatu citra dokumen dan

citra karakter dalam basis data.

2. Untuk data-data citra yang digunakan dalam penelitian ini, yaitu dari citra

dokumen Menak Sorangan I halaman 3 dan halaman 4, maka sistem dapat

mengenali citra-citra karakter penyusun dokumen tersebut dengan rata-rata

prosentase keberhasilan sebesar 86.53% untuk threshold jarak ciri citra karakter

sebesar 20.

3. Ciri citra karakter Jawa berupa jumlah piksel obyek dalam suatu unit citra

karakter dapat dipakai untuk menentukan kemiripan bentuk citra karakter Jawa.

Semakin dekat jarak ciri citra query dengan ciri citra dalam basis data, maka

semakin mirip citra karakter tersebut.

4. Ciri citra karakter disimpan dalam basis data, sehingga data citra karakter baru

dapat ditambahkan untuk mempresentasikan lebih banyak variasi citra karakter

Jawa. Semakin banyak variasi citra karakter dari citra dalam basis data, maka


93

semakin besar kemungkinan untuk menemukan citra karakter yang mirip dengan

citra karakter query dari suatu citra dokumen.

5. Prosentase keberhasilan pengenalan citra dokumen selain tergantung pada variasi

citra karakter yang tersimpan dalam basis data, juga sangat tergantung dari proses

pengolahan citra dokumen.

6. Keberhasilan proses pengolahan citra dokumen sangat dipengaruhi oleh kualitas

kertas, kualitas cetakan, dan kerumitan karakter cetakan dari dokumen yang akan

diolah. Semakin baik kualitas kertas dan kualitas cetakan, semakin besar

kemungkinan untuk menghasilkan hasil olahan citra-citra karakter yang baik.

Semakin rumit bentuk-bentuk karakter cetakan dalam dokumen, semakin sulit

proses pengolahan citra dokumennya.

6.2. Saran

Dari hasil penelitian ini dapat disarankan beberapa hal sebagai berikut:

1. Perlu dicoba metode-metode lain untuk proses pengolahan tingkat piksel dan

proses pengenalan karakter sehingga diperoleh hasil pengolahan yang lebih

optimal.

2. Perlu dicoba citra dokumen lain yang dipergunakan sebagai data masukan,

utamanya jika citra tersebut dicetak dengan jarak antar baris yang tidak harus

jelas, dan ditulis dengan mempergunakan tulisan tangan.

3. Penelitian ini masih harus dikembangkan lagi untuk sampai pada tahap

pengolahan teks seperti word processor.


94

DAFTAR PUSTAKA Antonacopoulos, A., 1995, “Introduction to Document Image Analysis”, http://www.

css.liv.ac.uk/~aa/Courses/COMP390/DIA-Introduction.pdf, diakses tanggal 16 April 2005.

Arcelli, C., dan Sanniti di Baja, G., 1985, “A width-independent fast thinning

algorithm”, IEEE Trans. Pattern Anal. Machine Intell, Volume 7: 463-474. Azar, Danielle., 1997, “Hilditch's Algorithm for Skeletonization”, http://jeff.cs.

mcgill.ca/~godfried/teaching/projects97/azar/skeleton.html#algorithm, diakses tang-gal 20 September 2005.

Brown, Eric W., 2000, "Character Recognition by Feature Point Extraction”, www.

ccs. neu.edu/home/feneric/papers/charrec.pdf, diakses tanggal 20 Juni 2005. Darusuprapta, dkk., 1996, “Pedoman Penulisan Aksara Jawa”, Yayasan Pustaka

Nusantara, Yogyakarta. Duda, Richard O., Hart, Peter E., dan Stork, David G., 2000, “Pattern

Classification”, Wiley Interscience, USA. Fletcher, A., dan Kasturi, R., 1988, “A robust algorithm for text string separation

from mixed text/graphics images”, IEEE Trans. Pattern Anal. Machine Intel., Volume 10: 910-918.

Gonzalez, R.C., dan Woods, R.E., 1992, “Digital Image Processing”, Addison-

Wesley Publishing Company, Inc., USA.. Hanzelman, Duane, dan Littlefield, Bruce, 2000, “Matlab Bahasa Komputasi

Teknis”, Andi, Yogyakarta. Kasturi, R., O’Gorman, L., dan Govindaraju, V., 2002, “Document image analysis:

A primer”, Sadhana, Volume 27: 3-22. Kavallieratou, E., Fakotakis, N., dan Kokkinakis, G., 2005, “Skew angle estimation

in document processing using cohen’s class distributions”, http://slt.wcl.ee.upatras.gr /papers/kavallieratou2.pdf, diakses tanggal 16 April 2005.

Munir, Rinaldi., 2004, “Pengolahan Citra Digital dengan Pendekatan Algoritmik”,

Informatika, Bandung. O’Gorman, 1993, “The document spectrum for structural page layout analysis”,

IEEE Trans. Pattern Anal. Machine Intelli., Volume 15: 62-73.


95

O’Gorman, L., dan Kasturi, R., 1997, “Executive briefing: documen image analysis”, IEEE Computer Society Press., USA.

Otsu, Nobuyuki., 2003, “A Threshold Selection Method from Gray-Level

Histograms”, http://www-users.itlabs.umn.edu/classes/Spring-2003/csci8980 /presen tations/AThresholdSelectionMethodfromGray-Level.ppt, diakses tanggal: 20 September 2005.

Pakubuwono IV., 1933, “Panji Sekar”, Balepoestaka, Batawisentrem. Parker, J.R., 1997, “Algorithms For Image Processing And Computer Vision”,

Wiley Computer Publishing, New York. Pressman, R.S., 2001, “Software Engineering: A Practitior’s Approach, 5th

Edition”, John Wiley & Sons, Inc., New York. Sauvola, J., Seppänen, T., Haapakoski, S., dan Pietikäinen, M., 1997, “Adaptive

Document Binarization”, http://www.mediateam.oulu.fi/publications/pdf/ 42.pdf, diakses tanggal 4 Mei 2005.

Sayoga, Budi., 2004, “Panduan Pemakaian Hanacaraka Font Untuk Pengetikan

Aksara Jawa Pada Perangkat Lunak Komputer Berbasis Sistem Operasi Windows”, http://hanacaraka.fateback.com, diakses tanggal 2 September 2005.

Srihari, S.N., Lam, S.W., Govindaraju, V., Srihari, R.K., Hull, J.J., 1986, “Document

Image Understanding”, CEDAR, New York.. Suprihatin, 2003, “Penerapan Finite Automata Dalam Mengalihaksarakan Tulisan

Aksara Jawa ke Tulisan Huruf Latin. Tesis S2 Ilmu Komputer”, Universitas Gadjah Mada, Yogyakarta.

Thompson, C.M., Shure, L., 1993, “Image Processing ToolBox For Use with

Matlab”, The Math Works Inc., USA. Yasadipura I, R.Ng., 1936, “Menak Sorangan I”, Balepoestaka, Batawisentrem. Zramdini, Abdelwahab., dan Ingold, Rolf., 1993, “Optical font recognition from

projection profiles”, Electronic Publishing, Volume 6(3): 249-260.


96

Lampiran 1. Antar muka pemakai Sistem Pengenal Citra Dokumen

a. SubMenu Binarisasi

b. SubMenu Normalisasi Orientasi


97

c. SubMenu Pengenalan Karakter

d. SubMenu BentukKata


98

Lampiran 2. Implementasi Modul Dalam Desain Sistem

1. Implementasi SubModul BukaFile

function dirdata=bukafilekar(f,program); [fname,pname]=uigetfile('karakter.mat','Buka file citra karakter',10,30); dirdata=pname; cd(dirdata); data=load(fname); karJawa=data.karakter; cd(program); save('karJawa.mat','karJawa'); info_s1={'Gambar Karakter Jawa:'}; Judul_b1=uicontrol(f,'style','text','units','norm','back','w','pos',[.0 .7 0.5 .05],... 'string',info_s1,'fontsize',[16],'fontname','verdana'); subplot('position',[0.1 0.2 0.3 0.4]); imshow(karJawa);

2. Implementasi SubModul EkstraksiCiri function fitur = ekstrakciri(kar,program,dirdata); % ciri histogram horisontal data=kar; cd(dirdata); tinggi=size(data,1); lebar=size(data,2); hiskar=zeros(tinggi,1); for i=1:tinggi for j=1:lebar if (data(i,j)==0) hiskar(i)=hiskar(i)+1; end end end ulang=size(hiskar,1); i=1; awal=1; while (i<ulang) if (hiskar(i)==0) i=i+1; awal=i; else i=ulang; end end i=ulang; akhir=ulang; while (i>1) if (hiskar(i)==0) i=i-1; akhir=i;


99

else i=0; end end hiskarbrs=hiskar(awal:akhir,1); %histogram kolom huruf hiskarklm=zeros(lebar,1); for i=1:lebar for j=1:tinggi if (data(j,i)==0) hiskarklm(i)=hiskarklm(i)+1; end end end ulang=size(hiskarklm,1); i=1; awal2=1; while (i<ulang) if (hiskarklm(i)==0) i=i+1; awal2=i; else i=ulang; end end i=ulang; akhir2=ulang; while (i>1) if (hiskarklm(i)==0) i=i-1; akhir2=i; else i=0; end end hiskarklm=hiskarklm(awal2:akhir2,1); gbr=data(awal:akhir,awal2:akhir2); x=gbr; b=ceil(size(x,1)/3); k=ceil(size(x,2)/3); ulb=size(x,1); ulc=size(x,2); jumtitik=zeros(3,3); for i=1:3 ak_i=i*b; if (i*b>ulb) ak_i=ulb; end for j=1:3 ak_j=j*k; if (ak_j>ulc) ak_j=ulc;


100

end datagbr=x((i-1)*b+1:ak_i,(j-1)*k+1:ak_j); jum=0; for w=1:size(datagbr,1) for u=1:size(datagbr,2) if (datagbr(w,u)==0) jum=jum+1; end end end jumtitik(i,j)=jum; end end fitur = jumtitik; cd(program);

3. Implementasi SubModul CariCiri

function carikar(f,program); load cirikar; load ciri; database=ciri; ulang=size(database,1); i=2; while (i<=ulang) temu=0; b=abs(cirikar-database{i,2}); c=sum(b); beda=sum(c); if (beda<=20) temu=i; s1=database{temu,1}; if (ischar(s1)==0) s1=char(s1); end s2=num2str(temu); info_s1={'Gambar Karakter Jawa:'}; info_s2={'Ciri Karakter Jawa:'}; subplot('position',[0.1 0.2 0.3 0.4]); imshow(database{temu,3}); cr=database{temu,2}; judul='Ditemukan Karakter Jawa di rekord ke: '; Judul_b0=uicontrol(f,'style','text','units','norm','back','w','pos',[.0 .8 1 .05],... 'string',strcat(judul,s2),'fontsize',[16],'fontname','verdana'); Judul_3=uicontrol(f,'style','text','units','norm','back','w','pos',[.0 .75 1 .05],... 'string',upper(s1),'fontsize',[24],'fontname','verdana');


101

Judul_b1=uicontrol(f,'style','text','units','norm','back','w','pos',[.0 .7 0.5 .05],... 'string',info_s1,'fontsize',[16],'fontname','verdana'); Judul_b2=uicontrol(f,'style','text','units','norm','back','w','pos',[.51 .7 .5 .05],... 'string',info_s2,'fontsize',[16],'fontname','verdana'); Judul5=uicontrol(f,'style','text','units','norm','back','w','pos',[.0 .05 1 .05],... 'string','ENTER: Lanjut','fontsize',[18],'fontname','verdana'); ciri1=uicontrol(f,'style','text','units','norm','back','w','pos',[.7 .55 0.03 .05],... 'string',cr(1,1),'fontsize',[14],'fontname','verdana'); ciri2=uicontrol(f,'style','text','units','norm','back','w','pos',[.74 .55 0.03 .05],... 'string',cr(1,2),'fontsize',[14],'fontname','verdana'); ciri3=uicontrol(f,'style','text','units','norm','back','w','pos',[.78 .55 0.03 .05],... 'string',cr(1,3),'fontsize',[14],'fontname','verdana'); ciri1=uicontrol(f,'style','text','units','norm','back','w','pos',[.7 .5 0.03 .05],... 'string',cr(2,1),'fontsize',[14],'fontname','verdana'); ciri2=uicontrol(f,'style','text','units','norm','back','w','pos',[.74 .5 0.03 .05],... 'string',cr(2,2),'fontsize',[14],'fontname','verdana'); ciri3=uicontrol(f,'style','text','units','norm','back','w','pos',[.78 .5 0.03 .05],... 'string',cr(2,3),'fontsize',[14],'fontname','verdana'); ciri1=uicontrol(f,'style','text','units','norm','back','w','pos',[.7 .45 0.03 .05],... 'string',cr(3,1),'fontsize',[14],'fontname','verdana'); ciri2=uicontrol(f,'style','text','units','norm','back','w','pos',[.74 .45 0.03 .05],... 'string',cr(3,2),'fontsize',[14],'fontname','verdana'); ciri3=uicontrol(f,'style','text','units','norm','back','w','pos',[.78 .45 0.03 .05],... 'string',cr(3,3),'fontsize',[14],'fontname','verdana'); i=ulang+1; end i=i+1; end


102

4. Implementasi SubModul Cari Nama

function CariData(f); info_s1={'Gambar Karakter Jawa:'}; info_s2={'Ciri Karakter Jawa:'}; nm = input('Masukkan nama latin karakter yang dicari: '); judul='Karakter Jawa di rekord ke: '; load ciri; data = ciri; ulang=size(data,1); i=1; while (i<=ulang) kt = data{i,1}; kt = char(kt); cr = data{i,2}; if (strcmp(kt,nm)==1) Judul_b0=uicontrol(f,'style','text','units','norm','back','w','pos',[.0 .8 1 .05],... 'string',strcat(judul,num2str(i)),'fontsize',[16],'fontname','verdana'); Judul_3=uicontrol(f,'style','text','units','norm','back','w','pos',[.0 .75 1 .05],... 'string',upper(nm),'fontsize',[24],'fontname','verdana'); Judul_b1=uicontrol(f,'style','text','units','norm','back','w','pos',[.0 .7 0.5 .05],... 'string',info_s1,'fontsize',[16],'fontname','verdana'); Judul_b2=uicontrol(f,'style','text','units','norm','back','w','pos',[.51 .7 .5 .05],... 'string',info_s2,'fontsize',[16],'fontname','verdana'); Judul5=uicontrol(f,'style','text','units','norm','back','w','pos',[.0 .05 1 .05],... 'string','ENTER: Lanjut','fontsize',[18],'fontname','verdana'); subplot('position',[0.1 0.2 0.3 0.4]); imshow(data{i,3}); ciri1=uicontrol(f,'style','text','units','norm','back','w','pos',[.7 .55 0.03 .05],... 'string',cr(1,1),'fontsize',[14],'fontname','verdana'); ciri2=uicontrol(f,'style','text','units','norm','back','w','pos',[.74 .55 0.03 .05],... 'string',cr(1,2),'fontsize',[14],'fontname','verdana'); ciri3=uicontrol(f,'style','text','units','norm','back','w','pos',[.78 .55 0.03 .05],... 'string',cr(1,3),'fontsize',[14],'fontname','verdana');


103

ciri1=uicontrol(f,'style','text','units','norm','back','w','pos',[.7 .5 0.03 .05],... 'string',cr(2,1),'fontsize',[14],'fontname','verdana'); ciri2=uicontrol(f,'style','text','units','norm','back','w','pos',[.74 .5 0.03 .05],... 'string',cr(2,2),'fontsize',[14],'fontname','verdana'); ciri3=uicontrol(f,'style','text','units','norm','back','w','pos',[.78 .5 0.03 .05],... 'string',cr(2,3),'fontsize',[14],'fontname','verdana'); ciri1=uicontrol(f,'style','text','units','norm','back','w','pos',[.7 .45 0.03 .05],... 'string',cr(3,1),'fontsize',[14],'fontname','verdana'); ciri2=uicontrol(f,'style','text','units','norm','back','w','pos',[.74 .45 0.03 .05],... 'string',cr(3,2),'fontsize',[14],'fontname','verdana'); ciri3=uicontrol(f,'style','text','units','norm','back','w','pos',[.78 .45 0.03 .05],... 'string',cr(3,3),'fontsize',[14],'fontname','verdana'); pause; end i=i+1; end

5. Implementasi SubModul CariTeta

function [teta,citra]=Sudut %mengetahui besar sudut %nmfl=uigetfile('*.jpg','Pilih file citra dokumen: '); citra=imread('3.jpg'); data=double(citra); tinggi=size(data,1); lebar=size(data,2); n=round(tinggi/2); m=round(lebar/2); N=tinggi*lebar; maksen=1/N*1/2*(n+n*m); naksen=1/N*1/2*(m+m*n); jum=0; for i=1:m jum=jum+(i-maksen)^2; end mu20=n*jum; jum=0; for i=1:n jum=jum+(i-naksen)^2; end mu02=m*jum; jumm=0; for i=1:m


104

jumm=jumm+(i-maksen); end jumn=0; for i=1:n jumn=jumn+(i-naksen); end mu11=n*m*jumm*jumn; teta=1/2*atan(2*mu11/(mu20-mu02));

6. Implementasi SubModul PutarCitra

function putar=Rotasi(citra,teta,f) I= citra; sd=abs(round(teta)); if (sd==0) sd=1; end putar = imrotate(I,sd); savefile = 'putar.mat'; save(savefile,'putar'); info_r1={'Citra Dokumen Asli:'}; info_r2={'Citra Dokumen Hasil Normalisasi Orientasi dengan teta = '}; Judul_r1=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.0 .82 1 .03],... 'string',info_r1,'fontsize',[12],'fontname','verdana'); Judul_r2=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.0 .39 .63 .04],... 'string',info_r2,'fontsize',[12],'fontname','verdana'); Judul_r3=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.64 .39 .1 .04],... 'string',abs(teta),'fontsize',[12],'fontname','verdana'); subplot('position',[0 0.42 1 0.4]); imshow(I); subplot('position',[0 0.0 1 0.39]); imshow(putar)

7. Implementasi SubModul CariAmbang

function batas = mOtsu(gbr) %Binarisasi dengan mempergunakan metode Otsu's ~ by: A. Rita W. %1. cari probabilitas semua piksel %2. cari nilai rata-rata momen %3. cari momen kumulatif ke nol %4. cari momen kumulatif ke satu %5. cari nilai seluruh kemungkinan nilai k %6. cari k yang maksimum %-------------------------------------------- data=double(gbr); tinggi=size(data,1); lebar=size(data,2); JumPiksel=tinggi*lebar; cacah=zeros(1,256); %--------------------------------------------


105

%1. cari probabilitas semua piksel % cari jumlah piksel-piksel sejenis for i=1:tinggi for j=1:lebar cacah(data(i,j)+1)=cacah(data(i,j)+1)+1; %+1 krn indek tdk dimulai dari 0 end end for i=1:256 ProbI(i)=cacah(i)/JumPiksel; end %-------------------------------------------- %2. cari nilai rata-rata momen RerataMomen=0; for i=1:256 RerataMomen=RerataMomen+i*ProbI(i); end %-------------------------------------------- MKkeNol=0; MKkeSatu=0; for i=1:256 %2. cari momen kumulatif ke nol MKkeNol=MKkeNol+ProbI(i); %-------------------------------------------- %3. cari momen kumulatif ke satu MKkeSatu=MKkeSatu+i*ProbI(i); %-------------------------------------------- %5. cari nilai seluruh kemungkinan nilai k Ambang(i)=((RerataMomen*MKkeNol-MKkeSatu)^2)/(MKkeNol*(1-MKkeNol)); %-------------------------------------------- end %-------------------------------------------- %6. cari k yang maksimum makK=Ambang(1); indek=1; for i=2:256 if Ambang(i)>makK makK=Ambang(i); indek=i-1; end end batas=indek;

8. Implementasi SubModul UbahBiner

Function biner(f) citra=putar; %rev 26Nop J dari 3.JPG yang telah dirotasi ambang = mOtsu(citra); % panggil func otsu untuk mencari ambang batas display(ambang); temp=double(citra); % ubah ke tipe double tinggi=size(citra,1); % hitung tinggi citra


106

lebar=size(citra,2); % hitung lebar citra temp2=double(citra); % ubah ke tipe double tinggi=size(citra,1); % hitung tinggi citra lebar=size(citra,2); % hitung lebar citra %mulai binarisasi for i=1:tinggi for j=1:lebar if (temp2(i,j)<ambang) temp2(i,j)=0; else temp2(i,j)=1; end end end biner=logical(uint8(temp2)); savefile = 'biner.mat'; save(savefile,'biner');

9. Implementasi SubModul Erosi

function Noise(f,program,dirdata); %Operasi untuk menghilangkan titik asing dan menutup lubang titik %baca citra cd(dirdata); load putar; nois=putar; %prosedur untuk memotong baris atas dan bawah yang kosong data=nois; tinggi=size(data,1); lebar=size(data,2); hisbrs=zeros(tinggi,1); for i=1:tinggi for j=1:lebar if (data(i,j)==0) hisbrs(i)=hisbrs(i)+1; end end end data=hisbrs; ulang=size(data,1); baris=size(nois,1); i=1; %buang baris kosong di atas while ((data(i)>40) | (data(i)<=10)) & (i<ulang) i=i+1; end %buang baris kosong di bawah j=ulang; while ((data(j)>40) | (data(j)<=10)) & (j>1) j=j-1; end nois2=nois(i:j,:); %prosedur untuk buang kolom-kolom kosong


107

data=nois2; tinggi=size(data,1); lebar=size(data,2); hisklm=zeros(lebar,1); for i=1:lebar for j=1:tinggi if (data(j,i)==0) hisklm(i)=hisklm(i)+1; end end end data=hisklm; ulang=size(data,1); kolom=size(nois2,2); i=1; %buang kolom kosong di kiri while ((data(i)>20) | (data(i)<=3)) & (i<ulang) i=i+1; end %buang kolom kosong di kanan j=ulang; while ((data(j)>20) | (data(j)<=3)) & (j>1) j=j-1; end %nois3=nois2(:,i:j); nois3=nois2(:,137:1412); tinggi=size(nois3,1); lebar=size(nois3,2); temp=double(nois3); %lakukan dulu removal titik terasing %jika tetangga <4 titik tetangga maka titik itu dijadikan latar temp2=temp; % removal pojok kiri atas jubah=1; while (jubah>0) tinggi=size(temp,1); lebar=size(temp,2); jubah=0; jTetangga=0; i=1; if (temp(1,1)==0) jTetangga=jTetangga+temp(i,2)+temp(i+1,1)+temp(i+1,2); if (jTetangga==3) jubah=jubah+1; temp2(i,1)=1; end end % removal pojok kanan atas jTetangga=0; if (temp(i,lebar)==0) jTetangga=jTetangga+temp(i,lebar-1)+temp(i+1,lebar)+temp(i+1,lebar-1); if (jTetangga==3) jubah=jubah+1; temp2(i,lebar)=1; end


108

end % removal pojok kiri bawah jTetangga=0; i=tinggi; if (temp(i,1)==0) jTetangga=jTetangga+temp(i,2)+temp(i-1,1)+temp(i-1,2); if (jTetangga==3) jubah=jubah+1; temp2(i,1)=1; end end % removal pojok kanan bawah jTetangga=0; if (temp(i,lebar)==0) jTetangga=jTetangga+temp(i,lebar-1)+temp(i-1,lebar)+temp(i-1,lebar-1); if (jTetangga==3) jubah=jubah+1; temp2(i,lebar)=1; end end % removal kolom paling kiri dan kanan for i=2:tinggi-1 if (temp(i,1)==0) jTetangga=0; jTetangga=jTetangga+temp(i-1,1)+temp(i,2)+temp(i+1,1)+temp(i-1,2)+temp(i+1,2); if (jTetangga==5) jubah=jubah+1; temp2(i,1)=1; end end if (temp(i,lebar)==0) jTetangga=0; jTetangga=jTetangga+temp(i-1,lebar)+temp(i,lebar-1)+temp(i+1,lebar)+temp(i-1,lebar-1)+temp(i+1,lebar-1); if (jTetangga==5) jubah=jubah+1; temp2(i,lebar)=1; end end end %removal baris paling atas dan bawah for i=2:lebar-1 if(temp(1,i)==0) jTetangga=0; jTetangga=jTetangga+temp(1,i-1)+temp(2,i)+temp(1,i+1)+temp(2,i-1)+temp(2,i+1); if (jTetangga==5) jubah=jubah+1; temp2(1,i)=1; end


109

end if (temp(tinggi,i)==0) jTetangga=0; jTetangga=jTetangga+temp(tinggi,i-1)+temp(tinggi-1,i)+temp(tinggi,i+1)+temp(tinggi-1,i-1)+temp(tinggi-1,i+1); if (jTetangga==5) jubah=jubah+1; temp2(tinggi,i)=1; end end end % removal selain di border line %removal obyek terasing for i=2:tinggi-1 for j=2:lebar-1 jTetangga=0; if (temp(i,j)==0) jTetangga=jTetangga+temp(i-1,j)+temp(i,j+1)+temp(i+1,j)+temp(i,j-1)+... temp(i-1,j-1)+temp(i-1,j+1)+temp(i+1,j+1)+temp(i+1,j-1); if (jTetangga==8) jubah=jubah+1; temp2(i,j)=1; end jTetanggaA=0; jTetanggaA=jTetanggaA+temp(i-1,j-1)+temp(i-1,j)+temp(i-1,j+1)+temp(i,j-1)+temp(i,j+1); jTetanggaB=0; jTetanggaB=jTetanggaB+temp(i+1,j-1)+temp(i+1,j)+temp(i+1,j+1); if ((jTetanggaA==5) & (jTetanggaB==0)) jubah=jubah+1; temp2(i,j)=1; end jTetanggaA=0; jTetanggaA=jTetanggaA+temp(i-1,j-1)+temp(i-1,j)+temp(i-1,j+1); jTetanggaB=0; jTetanggaB=jTetanggaB+temp(i+1,j-1)+temp(i+1,j)+temp(i+1,j+1)+temp(i,j-1)+temp(i,j+1); if ((jTetanggaA==0) & (jTetanggaB==5)) jubah=jubah+1; temp2(i,j)=1; end jTetanggaA=0; jTetanggaA=jTetanggaA+temp(i-1,j-1)+temp(i-1,j)+temp(i,j-1)+temp(i+1,j-1)+temp(i+1,j); jTetanggaB=0; jTetanggaB=jTetanggaB+temp(i-1,j+1)+temp(i,j+1)+temp(i+1,j+1); if ((jTetanggaA==5) & (jTetanggaB==0)) jubah=jubah+1; temp2(i,j)=1; end


110

jTetanggaA=0; jTetanggaA=jTetanggaA+temp(i-1,j)+temp(i-1,j+1)+temp(i,j+1)+temp(i+1,j)+temp(i+1,j+1); jTetanggaB=0; jTetanggaB=jTetanggaB+temp(i-1,j-1)+temp(i,j-1)+temp(i+1,j-1); if ((jTetanggaA==5) & (jTetanggaB==0)) jubah=jubah+1; temp2(i,j)=1; end end end end temp=temp2; end nois=logical(uint8(temp)); savefile = 'nois.mat'; save(savefile,'nois'); cd(program);

10. Implementasi SubModul Dilatasi

function filling(f,program,dirdata); cd(dirdata); load putar; load nois; %prosedur untuk memotong baris atas dan bawah yang kosong temp=double(nois); tinggi=size(nois,1); lebar=size(nois,2); %lakukan dulu removal titik terasing %jika tetangga <4 titik tetangga maka titik itu dijadikan latar temp2=temp; jubah=1; while (jubah>0) jubah=0; % removal pojok kiri atas jTetangga=0; i=1; if (temp(1,1)==1) jTetangga=jTetangga+temp(i,2)+temp(i+1,1)+temp(i+1,2); if (jTetangga==0) temp2(i,1)=0; jubah=jubah+1; end end % removal pojok kanan atas if (temp(i,lebar)==1) jTetangga=0; jTetangga=jTetangga+temp(i,lebar-1)+temp(i+1,lebar)+temp(i+1,lebar-1); if (jTetangga==0) jubah=jubah+1; temp2(i,lebar)=0; end


111

end % removal pojok kiri bawah jTetangga=0; i=tinggi; if (temp(i,1)==1) jTetangga=jTetangga+temp(i,2)+temp(i-1,1)+temp(i-1,2); if (jTetangga==0) jubah=jubah+1; temp2(i,1)=0; end end % removal pojok kanan bawah if (temp(i,lebar)==1) jTetangga=0; jTetangga=jTetangga+temp(i,lebar-1)+temp(i-1,lebar)+temp(i-1,lebar-1); if (jTetangga==0) jubah=jubah+1; temp2(i,lebar)=0; end end % removal kolom paling kiri dan kanan for i=2:tinggi-1 if (temp(i,1)==1) jTetangga=0; jTetangga=jTetangga+temp(i-1,1)+temp(i,2)+temp(i+1,1)+temp(i-1,2)+temp(i+1,2); if (jTetangga==0) jubah=jubah+1; temp2(i,1)=0; end end if (temp(i,lebar)==1) jTetangga=0; jTetangga=jTetangga+temp(i-1,lebar)+temp(i,lebar-1)+temp(i+1,lebar)+temp(i-1,lebar-1)+temp(i+1,lebar-1); if (jTetangga==0) jubah=jubah+1; temp2(i,lebar)=0; end end end %removal baris paling atas dan bawah for i=2:lebar-1 if (temp(1,i)==1) jTetangga=0; jTetangga=jTetangga+temp(1,i-1)+temp(2,i)+temp(1,i+1)+temp(2,i-1)+temp(2,i+1); if (jTetangga==0) jubah=jubah+1; temp2(1,i)=0; end end if (temp(tinggi,i)==1) jTetangga=0;


112

jTetangga=jTetangga+temp(tinggi,i-1)+temp(tinggi-1,i)+temp(tinggi,i+1)+temp(tinggi-1,i-1)+temp(tinggi-1,i+1); if (jTetangga==0) jubah=jubah+1; temp2(tinggi,i)=0; end end end % removal selain di border line %removal obyek terasing for i=2:tinggi-1 for j=2:lebar-1 if (temp(i,j)==1) jTetangga=0; jTetangga=jTetangga+temp(i-1,j)+temp(i,j+1)+temp(i+1,j)+temp(i,j-1)+... temp(i-1,j-1)+temp(i-1,j+1)+temp(i+1,j+1)+temp(i+1,j-1); if (jTetangga==0) jubah=jubah+1; temp2(i,j)=0; end jTetanggaA=0; jTetanggaA=jTetanggaA+temp(i-1,j-1)+temp(i-1,j)+temp(i-1,j+1)+temp(i,j-1)+temp(i,j+1); jTetanggaB=0; jTetanggaB=jTetanggaB+temp(i+1,j-1)+temp(i+1,j)+temp(i+1,j+1); if ((jTetanggaA==0) & (jTetanggaB==3)) jubah=jubah+1; temp2(i,j)=0; end jTetanggaA=0; jTetanggaA=jTetanggaA+temp(i-1,j-1)+temp(i-1,j)+temp(i-1,j+1); jTetanggaB=0; jTetanggaB=jTetanggaB+temp(i+1,j-1)+temp(i+1,j)+temp(i+1,j+1)+temp(i,j-1)+temp(i,j+1); if ((jTetanggaA==3) & (jTetanggaB==0)) jubah=jubah+1; temp2(i,j)=0; end jTetanggaA=0; jTetanggaA=jTetanggaA+temp(i-1,j-1)+temp(i-1,j)+temp(i,j-1)+temp(i+1,j-1)+temp(i+1,j); jTetanggaB=0; jTetanggaB=jTetanggaB+temp(i-1,j+1)+temp(i,j+1)+temp(i+1,j+1); if ((jTetanggaA==0) & (jTetanggaB==3)) jubah=jubah+1; temp2(i,j)=0; end jTetanggaA=0; jTetanggaA=jTetanggaA+temp(i-1,j)+temp(i-1,j+1)+temp(i,j+1)+temp(i+1,j)+temp(i+1,j+1);


113

jTetanggaB=0; jTetanggaB=jTetanggaB+temp(i-1,j-1)+temp(i,j-1)+temp(i+1,j-1); if ((jTetanggaA==0) & (jTetanggaB==3)) jubah=jubah+1; temp2(i,j)=0; end end end end temp=temp2; end isi=logical(uint8(temp)); savefile = 'isi.mat'; save(savefile,'isi'); cd(program); info_n1={'Citra Dokumen Awal:'}; info_n2={'Citra Dokumen Hasil Proses Filling: '}; Judul_n2=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.91 .86 0.09 .04],... 'string',' ','fontsize',[14],'fontname','verdana'); tampil(f,info_n1,info_n2, putar, isi);

11. Implementasi Modul Thinning

function skeleton(f) load nois; tinggi=size(nois,1); lebar=size(nois,2); temp=BW; temp2=temp; latar=1; obyek=0; N=1; while (N>0) N=0; for i=3:tinggi-1, for j=2:lebar-2, if (temp(i,j)==obyek) B=0; if (temp(i-1,j)==obyek) B=B+1; end; if (temp(i-1,j+1)==obyek) B=B+1; end; if (temp(i,j+1)==obyek) B=B+1; end; if (temp(i+1,j+1)==obyek) B=B+1; end; if (temp(i+1,j)==obyek) B=B+1; end; if (temp(i+1,j-1)==obyek) B=B+1; end; if (temp(i,j-1)==obyek) B=B+1; end; if (temp(i-1,j-1)==obyek) B=B+1; end; A1=0; if ((temp(i-1,j)==latar) & (temp(i-1,j+1)==obyek)) A1=A1+1; end; if ((temp(i-1,j+1)==latar) & (temp(i,j+1)==obyek)) A1=A1+1; end; if ((temp(i,j+1)==latar) & (temp(i+1,j+1)==obyek)) A1=A1+1; end;


114

if ((temp(i+1,j+1)==latar) & (temp(i+1,j)==obyek)) A1=A1+1; end; if ((temp(i+1,j)==latar) & (temp(i+1,j-1)==obyek)) A1=A1+1; end; if ((temp(i+1,j-1)==latar) & (temp(i,j-1)==obyek)) A1=A1+1; end; if ((temp(i,j-1)==latar) & (temp(i-1,j-1)==obyek)) A1=A1+1; end; if ((temp(i-1,j-1)==latar) & (temp(i-1,j)==obyek)) A1=A1+1; end; A2=0; if ((temp(i-2,j)==latar) & (temp(i-2,j+1)==obyek)) A2=A2+1; end; if ((temp(i-2,j+1)==latar) & (temp(i-1,j+1)==obyek)) A2=A2+1; end; if ((temp(i-1,j+1)==latar) & (temp(i,j+1)==obyek)) A2=A2+1; end; if ((temp(i,j+1)==latar) & (temp(i,j)==obyek)) A2=A2+1; end; if ((temp(i,j)==latar) & (temp(i,j-1)==obyek)) A2=A2+1; end; if ((temp(i,j-1)==latar) & (temp(i-1,j-1)==obyek)) A2=A2+1; end; if ((temp(i-1,j-1)==latar) & (temp(i-2,j-1)==obyek)) A2=A2+1; end; if ((temp(i-2,j-1)==latar) & (temp(i-2,j)==obyek)) A2=A2+1; end; A4=0; if ((temp(i-1,j+1)==latar) & (temp(i-1,j+2)==obyek)) A4=A4+1; end; if ((temp(i-1,j+2)==latar) & (temp(i,j+2)==obyek)) A4=A4+1; end; if ((temp(i,j+2)==latar) & (temp(i+1,j+2)==obyek)) A4=A4+1; end; if ((temp(i+1,j+2)==latar) & (temp(i+1,j+1)==obyek)) A4=A4+1; end; if ((temp(i+1,j+1)==latar) & (temp(i+1,j)==obyek)) A4=A4+1; end; if ((temp(i+1,j)==latar) & (temp(i,j)==obyek)) A4=A4+1; end; if ((temp(i,j)==latar) & (temp(i-1,j)==obyek)) A4=A4+1; end; if ((temp(i-1,j)==latar) & (temp(i-1,j+1)==obyek)) A4=A4+1; end; if ((B>=2)&(B<=6)) & (A1==1) & ... (((temp(i-1,j)==latar) | (temp(i,j+1)==latar) ... | (temp(i,j-1)==latar))| (A2~=1)) & ... (((temp(i-1,j)==latar)| (temp(i,j+1)==latar) ... | (temp(i+1,j)==latar)) | (A4~=1)) temp2(i,j) = latar; N=N+1; end end end


115

end temp=temp2; end thin=logical(uint8(temp2)); savefile = 'thin.mat'; save(savefile,'thin');

12. Implementasi SubModul ProyeksiHorisontal % Proyeksi horisontal load thin; data=thin; tinggi=size(data,1); lebar=size(data,2); hisbrs=zeros(tinggi,1); for i=1:tinggi for j=1:lebar if (data(i,j)==0) hisbrs(i)=hisbrs(i)+1; end end end savefile = 'hisbrs.mat'; save(savefile,'hisbrs');

13. Implementasi SubModul PotongBaris %buang baris atas dan bawah yang kosong load hisbrs; data=hisbrs; ulang=size(data,1); baris=size(thin,1); i=1; %buang baris kosong di atas while ((data(i)>150) | (data(i)<=7)) & (i<ulang) i=i+1; end %buang baris kosong di bawah j=ulang; while ((data(j)>150) | (data(j)<7)) & (j>1) j=j-1; end thin2=thin(i:j,:); savefile = 'thin2.mat'; save(savefile,'thin2');

14. Implementasi SubModul Proyeksi Vertikal % Proyeksi vertikal untuk seluruh gambar load thin2; data=thin2; tinggi=size(data,1); lebar=size(data,2); hisklm=zeros(lebar,1); for i=1:lebar


116

for j=1:tinggi if (data(j,i)==0) hisklm(i)=hisklm(i)+1; end end end savefile = 'hisklm.mat'; save(savefile,'hisklm');

15. Implementasi SubModul CariIndekKolom %buang kolom kiri dan kolom kanan load hisklm; data=hisklm; ulang=size(data,1); kolom=size(thin2,2); i=1; %buang kolom kosong di kiri while ((data(i)>150) | (data(i)<=4)) & (i<ulang) i=i+1; end %buang kolom kosong di kanan j=ulang; while ((data(j)>150) | (data(j)<4)) & (j>1) j=j-1; end thin3=thin2(:,i:j); savefile = 'thin3.mat'; save(savefile,'thin3'); % Proyeksi horisontal load thin3; data=thin3; tinggi=size(data,1); lebar=size(data,2); histhin3=zeros(tinggi,1); for i=1:tinggi for j=1:lebar if (data(i,j)==0) histhin3(i)=histhin3(i)+1; end end end savefile = 'histhin3.mat'; save(savefile,'histhin3');

16. Implementasi SubModul PotongKarakter

function Potbrs_0(f) info_s1={'Citra Dokumen Awal:'}; info_s2={'Citra-Citra Baris (tekan Enter untuk melanjutkan):'}; Judul_b1=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.0 .82 1 .03],... 'string',info_s1,'fontsize',[12],'fontname','verdana');


117

Judul_b2=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.0 .39 1 .04],... 'string',info_s2,'fontsize',[12],'fontname','verdana'); load histhin3; load thin3; subplot('position',[0 0.42 1 0.4]); imshow(thin3); load indek; data=indek; ulang=size(indek,1); i=1; baris{1}=0; while (i<=ulang) baris{i}=thin3(indek(i,1):indek(i,2),:); i=i+1; end savefile = 'indek.mat'; save(savefile,'indek'); savefile = 'baris.mat'; save(savefile,'baris');

function histobrs1(f) info_h1={'Citra Dokumen Awal:'}; info_h2={'Citra-Citra Karakter (tekan Enter untuk melanjutkan):'}; Judul_h1=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.0 .82 1 .03],... 'string',info_h1,'fontsize',[12],'fontname','verdana'); Judul_h2=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.0 .39 1 .04],... 'string',info_h2,'fontsize',[12],'fontname','verdana'); load thin3; subplot('position',[0 0.42 1 0.4]); imshow(thin3); load baris; barisnya=baris; dokumen{1,1}=0; lagi=size(barisnya,2); z=1; while (z<=lagi) % Proyeksi vertikal untuk seluruh gambar data1=barisnya{z}; tinggi=size(data1,1); lebar=size(data1,2); hisklmbrs1=zeros(lebar,1); for i=1:lebar for j=1:tinggi if (data1(j,i)==0) hisklmbrs1(i)=hisklmbrs1(i)+1; end


118

end end %ambil karakter data=hisklmbrs1; ulang=size(data,1); indekbrs1=zeros(1,2); j=0; i=1; k=0; while (i<ulang) if (data(i)>0) j=j+1; indekbrs1(j,1)=i; i=i+1; while (data(i)>0) & (i<ulang) i=i+1; end if (i>(ulang+1)) indekbrs1(j,2)=ulang; else indekbrs1(j,2)=i-1; end %subplot('position',[0 0.0 1 0.39]); %imshow(data1(:,indekbrs1(j,1):indekbrs1(j,2))); k=k+1; dokumen{z,k}=data1(:,indekbrs1(j,1):indekbrs1(j,2)); %pause; else i=i+1; end end z=z+1; end savefile = 'dokumen.mat'; save(savefile,'dokumen');

17. Implementasi Modul Pengenalan Karakter

function teks(f) info_t1={'Hasil Pengenalan Karakter:'}; Judul_t1=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.0 .82 1 .03],... 'string',info_t1,'fontsize',[12],'fontname','verdana'); load dokumen; load ciri; data=dokumen; ulang=size(data,1); dokteks{1,1}=0; i=1; latin=0; while (i<=ulang) br = data(i,:); lagi = size(br,2); j=1;


119

s=''; while (j<=lagi) kar = br{j}; if (~isempty(kar)==1) fit = ekstrakciri(kar); temu = cari(fit,ciri); s1=''; if (temu<=1) info_t2={'Terdapat Karakter Jawa Baru:'}; Judul_t2=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.0 .25 1 .05],... 'string',info_t2,'fontsize',[12],'fontname','verdana'); subplot('position',[0 0.04 1 0.2]); imshow(kar); ket = input('Masukkan nama latinnya: '); lanj = size(ciri,1); lanj = lanj+1; ciri(lanj,1)={ket}; ciri(lanj,2)={fit}; ciri(lanj,3)={kar}; s=strcat(s,ket); latin=latin+1; else s1=ciri{temu,1}; if (ischar(s1)==0) s1=char(s1); end s=strcat(s,s1); latin=latin+1; end end j=j+1; end dokteks{i,1}=s; i=i+1; end savefile = 'dokteks.mat'; save(savefile,'dokteks'); savefile = 'ciri.mat'; save(savefile,'ciri'); Judul_t2=uicontrol(f,'style','text','units','norm','back',[.15 .35 .89],'pos',[.0 .0 1 .8],... 'string',dokteks,'fontsize',[12],'fontname','verdana'); savefile = 'latin.mat'; save(savefile,'latin');

18. Implementasi Modul Pembentukan Kata

function kata(f) info_k1={'Hasil Pengenalan Karakter:'}; Judul_k1=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.0 .82 1 .03],...


120

'string',info_k1,'fontsize',[12],'fontname','verdana'); info_k2={'Hasil Pembentukan kata:'}; Judul_k2=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.0 .39 1 .04],... 'string',info_k2,'fontsize',[15],'fontname','verdana'); load dokteks; data = dokteks; Judul_k3=uicontrol(f,'style','text','units','norm','back',[.15 .35 .89],'pos',[.0 .43 1 .37],... 'string',data,'fontsize',[12],'fontname','verdana'); ulang=size(data,1); dokKata{1,1}=0; i=1; while (i<=ulang) kt = data(i); kt = char(kt); kt=strrep(kt,'adeg-adeg',''); kt=strrep(kt,'PadaLingsa',','); kt=strrep(kt,'PadaLungsi','.'); kt=strrep(kt,'PadaMadya',''); kt=strrep(kt,'taling ka tarung',' ko'); kt=strrep(kt,'taling mang tarung',' mong'); kt=strrep(kt,'taling mar tarung',' mor'); kt=strrep(kt,'taling ta tarung',' to'); kt=strrep(kt,'taling nang tarung',' nong'); kt=strrep(kt,'taling ba tarung',' bo'); kt=strrep(kt,'taling ya tarung',' yo'); kt=strrep(kt,'taling na ha tarung',' n o'); kt=strrep(kt,'ga1 ga2',' ga'); kt=strrep(kt,'ga1',' ga'); kt=strrep(kt,'ga2',' ga'); kt=strrep(kt,'la1 la2',' la'); kt=strrep(kt,'la1',' la'); kt=strrep(kt,'la2',' la'); kt=strrep(kt,'ma1 ma2',' ma'); kt=strrep(kt,'ma1',' ma'); kt=strrep(kt,'ma2',' ma'); kt=strrep(kt,'ya1',' ya'); kt=strrep(kt,'taling p pe',' p pe'); kt=strrep(kt,'taling ya',' ye'); kt=strrep(kt,'taling pa',' pe'); kt=strrep(kt,'taling da',' de'); kt=strrep(kt,'taling ha',' e'); kt=strrep(kt,'taling dan',' den'); kt=strrep(kt,'taling sa',' se'); kt=strrep(kt,'taling jang',' jeng'); kt=strrep(kt,'taling kka',' kke'); kt=strrep(kt,' t ka','t ka'); kt=strrep(kt,' t ku','t ku'); kt=strrep(kt,' t ca','t ca'); kt=strrep(kt,' t ti','t ti'); kt=strrep(kt,' t ta','t ta');


121

kt=strrep(kt,' m bang','mbang'); kt=strrep(kt,' l ya','l ya'); kt=strrep(kt,' nga la','ngla'); kt=strrep(kt,' p ta','p ta'); kt=strrep(kt,' m bar','mbar'); kt=strrep(kt,' n ding','nding'); kt=strrep(kt,' n na','n na'); kt=strrep(kt,' g ge','gge'); kt=strrep(kt,' n de','nde'); kt=strrep(kt,' n di','ndi'); kt=strrep(kt,' n be','nbe'); kt=strrep(kt,' n mu','nmu'); kt=strrep(kt,' n ku','n ku'); kt=strrep(kt,' s ti','sti'); kt=strrep(kt,' s ta','s ta'); kt=strrep(kt,' s thi','sthi'); kt=strrep(kt,' s wa','s wa'); kt=strrep(kt,' l nga','lnga'); kt=strrep(kt,' l ya','lya'); kt=strrep(kt,' p ta','pta'); kt=strrep(kt,' ha','a '); kt=strrep(kt,' he','e '); kt=strrep(kt,' hi','i '); kt=strrep(kt,' ho','o '); kt=strrep(kt,' err',''); dokKata{i,1}=kt; i=i+1; end savefile = 'dokKata.mat'; save(savefile,'dokKata'); Judul_t2=uicontrol(f,'style','text','units','norm','back',[.15 .35 .69],'pos',[.0 .0 1 .38],... 'string',dokKata,'fontsize',[13],'fontname','verdana');

19. Implementasi Modul TampilData

function tampil(f,info_b1,info_b2, gb1, gb2); Judul_b1=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.0 .86 0.5 .04],... 'string',info_b1,'fontsize',[14],'fontname','verdana'); Judul_b2=uicontrol(f,'style','text','units','norm','back',[.15 .75 .89],'pos',[.51 .86 .40 .04],... 'string',info_b2,'fontsize',[14],'fontname','verdana'); subplot('position',[0 0.0 0.5 0.86]); imshow(gb1); subplot('position',[0.5 0.0 0.5 0.86]); imshow(gb2);


122

Lampiran 3. Data Dokumen Panji Sekar

Citra Dokumen Panji Sekar Halaman 3:


123

Tabel Hasil Pengenalan Citra Dokumen Panji Sekar Halaman 3: Baris Karakter Dikenali 1 1 : : adeg-adeg sang pra bu ing ke dhi ri ka dha teng nga na u err err err err

err err err 2 tu sa s na sa king ma ka sar PadaLingsa err 3 PadaMadya pandhang ku la err PadaMadya sa mur ma ning ri re sa pa ing ma

nis ka dhing wi 4 tu tarung err pa pa ing wu da pa2 na ha wah err err ji err ma sa la sang ka la

taling da taling ka1 err PadaLingsa ingndri 5 err na tarung ga2 hi gu PadaLingsa kang si ne wa la ma pa PadaLingsa ing

ring git ge ga2 pa :g kang ka ha 6 errnnan su ni jeng gi nu tun ka dhing sa tu gu ra kar ta err err err kang ya ya 7 tarung ing mangkya dhi na ngun ma tarung li PadaLingsa err si nung se kar

sa wa sat err PadaMadya mrih ngu 8 err ti ta ta kang ti ni ti PadaLingsa nadyan bu da kar ya tu tu la ddan ing kang 9 noise taling ya adeg-adeg gi la ma pa PadaLingsa taling ha PadaLingsa na ta

na ing kar wi nu pus na li kannya 10 li err ta na err ja wi PadaLingsa ri kang sa tur na taling ra errndra PadaLingsa

jeng err la la pa nga yun dhing 11 err li PadaLingsa na ga ri da ha PadaLingsa kang ka ping tri ngu ra sa na ing

kang me ha sa si err na 12 na ri Si nga se ka PadaLingsa PadaMadya sa yu ha ji kang hu ma err ne ga ha

ji PadaLingsa err err samya 13 err dang ru gunta na su la ya err nung gi noise err ri ba pa taling na

PadaLingsa ma ma ka 14 err ha tarung ja ta ha gung PadaLingsa ka lu gu ranning na err PadaLingsa pa

ti err na ka ring nga na pa rang err mu 15 err PadaLingsa pa ma ra yu ma tu err samya pra dhi taling rang nga yu da err

PadaLingsa sa meng ku taling na 16 mring sadya bi napti tapti err si ta su mung gu ning padya PadaLingsa

PadaMadya kang pu ni 17 err sa ma pun ma ra ninni err mangkya we dhar su gi PadaLingsa wu tra err

gang pa err me sa PadaLingsa hi ka 18 err hur ra taling errnna PadaLingsa ya ta ing kang wi ngu pus kang ngu ngu

nung la ma pa PadaLingsa ing ring 19 errt nar pa ti ing jeng Ga da adeg-adeg errnnam Bu ya mi lu hu PadaLingsa

err na li ka ha taling ba 20 err err ti te dhakka na pa king bu bu wapca wa pan we dalla na ka1 ing pa

nge dha wa pan taling ja err adeg-adeg 21 taling wa par err tir err taling ra kar da err tarung tarung tarung adeg-adeg err

err


124

Citra Dokumen Panji Sekar Halaman 4:


125

Hasil Pengenalan Citra Dokumen Panji Sekar Halaman 4: Baris Karakter Dikenali 1 4 err err err 2 taling ta sanna n la sanna gri na ra na ha ing Ke mi ri PadaLingsa srinnam

Bu ha mi ja 3 ha PadaLingsa PadaMadya pu tra jeng la la ka1 err ma sang sanyji

PadaLingsa pu tri Ke dhi ri taling sa tarungndra 4 Ki ra na PadaLingsa su ni ka dhi na u sa pa taling ka PadaLingsa sa ma pu

na hanta wis da ngu PadaLingsa ka 5 par gi PadaLingsa nya pu tra la ka1 err pu tri PadaLingsa ra err ja pu tra

jeng la la PadaLingsa sa mang kya sa ma 6 ngun ku tha sandhak ka sa tri yan ba banyji ngan la na pu ra pra bu Ke 7 mi ri err cu ku sa sa pa err errdya ha la PadaLingsa PadaMadya ka dang ka

taling err da ya na samya 8 tu mi ring PadaLingsa ta gu gu su mung taling gang na gri da n ga1 err

PadaLingsa Bra ja na ta sa ngi ri taling dda tarung err 9 ngu mar sa sri ka ngu lu PadaLingsa gu ku wung taling nga na gri Ke mi ri

err kang taling ganna na pa 10 ra pu tra err we wa PadaLingsa har ja ni pun PadaLingsa mang ka na ing

kang wi nar na PadaLingsa ngu pi mi 11 ga1 ya err sa si taling na ba na ga2 tang Ke dhi ri PadaLingsa mung taling

gang ing si ti bentar PadaLingsa PadaMadya 12 we sa ka sa gung pung ga pa tang nang ti ya1l err taling ka ri ga1 dda ning

err sa ti PadaLingsa ja ya Ba dra err 13 tu wi na pa ra su tra ha talingndha err mung taling gang nang sa sang pra bu

PadaLingsa pang nga Panyji sa 14 ma pu na ha nang bil la na har ma Bra ja na ma err err har ya pu Kir santu n 15 wi ru na handa Ga Kar ta la PadaLingsa err err kang pa ra ri su we nu :

mung taling gang ing pu ri PadaLingsa bu 16 sa na sri ta wur yan PadaLingsa PadaMadya dhi taling ya err sa si ra na sa ti

Ke dhi ri : err ha 17 mang gi PadaLingsa hi du ta ning na taling randra PadaLingsa sa king ma

Ka sang wi ji talingl la PadaLingsa sa sa bi PadaLingsa 18 kang ing ngu tus err sa sa ra bya sri na ra sa ti PadaLingsa pra bu Bra ma ku

ma ra PadaLingsa err err err err 19 ma ka sar dilya nung PadaLingsa ma ga2 su pra pra wi taling err rang err

ing prang err dhi tarung li PadaLingsa tandhing ing sa err err err err 20 brang tang la la nar ngi PadaLingsa da ka ring nga na ing nga taling ma

errnyca PadaLungsi PadaMdya ing kang da err err err err err 21 dya ngu ta kya na pa ti PadaLingsa PadaLingsa ta sa sa ra ba Sang Gu na sa

taling ra tarungnta err munyja 22 l li ka pra dhi ra talingnna err nga gu na ka sab lembat prapta ni ra pa kya na

err err 23 sa ti PadaLingsa PadaLingsa sa ma pu na ha ngi ri ddadya err nende ga1m


126

da err lung taling ma wu PadaLingsa ti ti err err Analisis Hasil Output Pada Dokumen Panji Sekar:

No Halaman 3 Halaman 4 Baris Jumlah Karakter Jumlah Karakter

citra dikenali benar salah citra dikenali benar salah 1 17 23 15 2 1 4 1 0 2 10 11 10 0 24 24 19 5 3 21 22 14 7 23 23 18 5 4 25 30 18 7 26 26 24 2 5 25 26 16 9 24 26 18 6 6 22 24 12 10 22 25 21 1 7 24 25 15 9 22 22 17 5 8 22 22 20 2 26 28 18 8 9 25 25 19 6 25 26 18 7

10 24 27 21 3 26 26 22 4 11 25 25 20 5 25 25 22 3 12 22 25 17 5 26 28 17 9 13 22 23 18 4 25 26 19 6 14 26 28 21 5 23 25 18 5 15 24 25 15 9 26 27 24 2 16 22 22 15 7 24 25 18 6 17 26 27 18 8 26 26 19 5 18 24 25 18 6 23 28 20 3 19 23 24 17 6 24 31 18 6 20 32 32 20 12 23 28 19 4 21 16 18 6 10 25 25 19 6 22 - - - - 23 25 21 2 23 - - - - 26 28 19 7

Total 450 475 320 130 538 577 429 107


pengenalan citra dokumen sastra jawa konsep … · universitas gadjah mada yogyakarta ibu...

Documents