sistem konversi dokumen identitas individu menjadi suatu...

Sistem Konversi Dokumen Identitas Individu

Menjadi Suatu Tabel

Oleh: Muhammad Mushonnif Junaidi

NRP. 1209 100 034

Seminar TA

JURUSAN MATEMATIKA FMIPA ITS SURABAYA 2014


Latar Belakang

Dokumen Cetak (eKTP/SIM)

Ketik Manual

OCR

Citra Dokumen bentuk.jpg

Dokumen Digital (tabel)

Penyusunan dalam bentuk tabel secara otomatis

Scanning


Rumusan Masalah

1. Bagaimana merancang dan membuat perangkat lunak yang dapat mengkonversi dokumen indentitas individu menjadi suatu tabel dan bersifat userfriendly.

2. Bagaimana menerapkan citra dokumen eKTP/SIM dalam proses pengenalan karakter sesuai field-field yang ada.

3. Bagaimana tingkat keberhasilan pengenalan karakter pada citra dokumen eKTP/SIM dengan menggunakan metode Learning Vector Quantization.


Batasan Masalah

1. Dokumen identitas yang digunakan adalah e-KTP/SIM yang dikeluarkan oleh Pemerintah Republik Indonesia yang masih berlaku.

2. Dokumen e-KTP/SIM yang digunakan harus bebas dari kerusakan, baik cetak maupun cacat penggunaan.

3. Citra dokumen eKTP/SIM diambil secara manual menggunakan mesin scanner dan dipotong (crop) bagian yang tidak dibutuhkan jika ada.

4. Sistem konversi dokumen identitas individu menjadi suatu tabel diimplementasikan menjadi sebuah program dengan bahasa pemrograman Microsoft Visual C#.


Tujuan

1. Tersedianya perangkat lunak yang dapat mengkonversi dokumen eKTP/SIM menjadi suatu tabel.

2. Mendapatkan informasi terkait kinerja metode Learning Vector Quantization dalam pengenalan karakter pada citra dokumen eKTP/SIM.

3. Mendapatkan program komputer (source code) dari perangkat lunak sistem konversi dokumen identitas individu menjadi suatu tabel.


Manfaat

1. Entri data dokumen identitas individu berupa citra e-KTP/SIM sebagai objek, dapat dilakukan secara otomatis.

2. Dapat menyimpan informasi yang ada pada eKTP/SIM dalam bentuk tabel dan mengolahnya dengan mudah.

3. Sebagai referensi dan informasi tentang penggunaan metode Learning Vector Quantization dalam pengenalan karakter dokumen sejenis eKTP/SIM.


Dokumen Identitas

Dokumen identitas merupakan suatu dokumen yang memuat informasi identitas (jati diri) seseorang sebagai tanda keanggotaan suatu perkumpulan, perusahaan, instansi, dsb. Beberapa contoh dokumen identitas yang umum bagi masyarakat adalah KTP dan SIM.


Optical Character Recognition (OCR)

Optical Character Recognition 1. Metode onlie 2. Metode offline

Secara umum tahapan pengenalan tulisan oleh OCR metode offline adalah sebagai berikut :

File Input .jpg

Pra-pengolahan

Ekstraksi Ciri

Pengenalan ASCII Text


Pengolahan Citra Digital

1. Konversi Citra Konversi citra adalah teknik pengolahan citra dengan merubah warna citra asli menjadi citra dengan warna tertentu.

2. Segmentasi

Mencari batas daerah objek yang akan diproses.


Pengolahan Citra Digital

3. Scalling (normalisasi) Menormalkan ukuran citra hasil segmentasi sehingga selalu sama.

MxN mxn


Objek Penelitian

1. Jenis material yang akan diteliti Jenis material yang akan diteliti adalah citra dokumen eKTP/SIM

2. Aspek penelitian Aspek penelitian yang digunakan yaitu mengenali karakter pada citra dokumen eKTP/SIM dan mengelompokkannya ke dalam suatu tabel.


Peralatan

1. Perangkat lunak utama yang digunakan untuk membuat program sistem konversi dokumen ini adalah Moicrosoft Visual C#.

2. Untuk mendapatkan citra dokumen digunakan mesin scanner atau kamera digital. Toshiba Satellite L510 dengan spesifikasi prosesor Intel® Core™ i3 CPU M330 @ 2,13 GHz, RAM 4 GB DDR3, sistem tipe 32-bit, Mobile PC Display dengan setting layar monitor resolusi 1366 x 768 piksel.


Tahap Penelitian

1. Studi literatur 2. Perancangan dan implementasi sistem a. Pra-pemrosesan b. Ekstraksi ciri c. Pelatihan d. Pengujian/Pengenalan

e. Penyimpanan 3. Integrasi program 4. Uji coba dan evaluasi


Tahap Penelitian

A


Gambaran Umum Proses

Sistem terdiri dari lima proses utama: 1. Proses akuisisi citra dokumen eKTP/SIM 2. Proses pra-pengolahan 3. Proses ekstraksi ciri 4. Proses Proses tahap JST 5. Proses proses penyimpanan


Proses Akuisisi Citra Telapak Tangan

Proses mendapatkan citra dokumen eKTP/SIM.


Proses Pra-pengolahan

Penentuan koordinat dilakukan secara trial-error sesuai dengan bentuk dokumen. Mengambil acuan tertentu pada ciri masing-masing dokumen.


Proses Konversi Citra

Mengubah citra asal (RGB) menjadi citra warna lain, sehingga objek dapat dobedakan dari latar belakangnya. Proses konversi citra diantaranya : 1. Inverting, yaitu mengubah citra menjadi citra

negatif 2. Grayscaling, mengubah citra menjadi citra bentuk

grayscale atau memiliki tingkat keabuan (dari hitam ke putih)

3. Binerisasi citra, merubah citra menjadi citra biner yaitu citra yang mempunyai 2 warna (hitam dan putih)


Proses Segmentasi

Proses segmentasi yaitu proses memotong atau memisah citra akuisisi (masukan) sehingga diperoleh citra yang diharapkan.


Proses Normalisasi

Pada proses ini dilakukan pengubahan ukuran citra menjadi citra normal MxN sesuai kebutuhan. Proses ini dilakukan baik pada saat pelatihan maupun pengujian untuk mendapatkan citra yang berukuran sama dari masing-masing hasil segmentasi citra karakter. Dalam sistem konversi ini, citra per karakter akan direpresentasikan ke dalam matriks berukuran 10x18 piksel.

MxN 10x18


Proses Ekstraksi Ciri

Proses untuk mendapatkan ciri dari masing-masing karakter. Hasil dari ektraksi ciri akan digunakan sebagai masukan bagi Algoritma LVQ.

Setiap piksel akan ditandai dengan angka 0 atau 1.


Arsitektur LVQ

... ...

... Y82 Yj Y1

Xi X180 X1

...

Wi,1

W1,82 Wi,82

W1,j W180,1

W180,82 Wi,j W180,j

W1,1


Implementasi Antarmuka

Antarmuka Utama



Antarmuka Koneksi



Antarmuka Pelatihan Data eKTP



Antarmuka Pelatihan Data SIM



Antarmuka Pengujian Data eKTP



Antarmuka Pengujian Data SIM



Antarmuka Pengenalan eKTP/SIM



Antarmuka Data Dokumen


Implementasi Proses

Semua proses diimplementasikan menjadi kode program dengan bahasa pemrograman C#.


Hasil Pengujian Proses

Proses Tahap Akuisisi



Proses Konversi Citra



Proses Segmentasi Data Pelatihan

Hasil potongan citra karakter pada proses pelatihan.



Proses Segmentasi Data Pengujian/Pengenalan



Proses Normalisasi /Scalling



Proses Ektraksi Ciri

1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0

No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

2 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0

4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0

5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0

6 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0

7 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0

8 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0

9 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0

10 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0



Penyimpanan hasil pengenalan


Pengujian Sistem – Parameter LVQ

Pengaruh Alpha : Sistem diuji dengan nilai alpha berbeda dan epoh sama.

Pengaruh Epoh : Sistem diuji dengan nilai epoh berbeda dan alpha sama.

Dokumen SIM

Alpha Epoh Maks.

Akurasi (%)

Field Nomor “630715540

336”

0.01 100 23.08 0.05 100 15.38 0.1 100 7.69 0.5 100 7,69 1 100 7,69

Dokumen SIM

Alpha Epoh Maks.

Akurasi (%)

Field Nomor

“630715540336”

0.01 1000 23,08 0.01 500 7.69 0.01 100 7.69 0.01 50 7,69 0.01 10 7,69

Dokumen eKTP

Alpha Epoh Maks.

Akurasi (%)

Field Nama “Ahmad Luthfi”

0.01 100 33.33 0.05 100 33.33 0.1 100 33.33 0.5 100 33.33 1 100 33.33

Dokumen eKTP

Alpha Epoh Maks.

Akurasi (%)

Field Nama “Ahmad Luthfi”

0.01 1000 33.33 0.01 500 33.33 0.01 100 33.33 0.01 50 23.08 0.01 10 8


Pengujian Sistem – Nilai Ambang

Pengaruh Nilai Ambang : Sistem diuji dg nilai ambang sama dan berbeda-beda untuk semua field.

Dari data diatas diketahui bahwa nilai ambang mempengaruhi hasil pengenalan dokumen eKTP.

Dokumen eKTP Nilai Ambang

Akurasi (%)

3525100407630001 128 100

Ahmad Luthfi 128 33.33 Pongangan Rejo 128 41.67 001 003 128 100 Pongangan 128 25.53 Manyar 128 100

Dokumen eKTP Nilai Ambang

Akurasi (%)

3525100407630001 77 100

Ahmad Luthfi 113 100 Pongangan Rejo 132 64 001 003 104 100 Pongangan 103 35.29 Manyar 84 100


Pengujian Sistem – Nilai Ambang

Pengaruh Nilai Ambang : Sistem diuji dg nilai ambang sama dan berbeda-beda untuk semua field.

Dari data diatas diketahui bahwa nilai ambang mempengaruhi hasil pengenalan dokumen SIM.

Dokumen SIM Nilai Ambang

Akurasi (%)

630715540336 128 60.87 A 128 100 Ahmad Luthfi 128 100 DS Pongangan Rejo RT1 RW 3

128 100

Dokumen SIM Nilai Ambang

Akurasi (%)

630715540336 156 100 A 138 100 Ahmad Luthfi 113 100 DS Pongangan Rejo RT1 RW 3

119 100


Pengujian Sistem

Pengujian sistem: 1. Pelatihan masing-masing karakter pada dokumen eKTP/SIM

dilakukan sebanyak 4 kali dengan nilai epoh 1000 dan alpha 0.01.

2. Karakter yang digunakan untuk pelatihan diambil dari karakter pada dokumen eKTP/SIM tersebut dan juga karakter dari jenis font lain.

3. Pada dokumen eKTP dilakukan pelatihan sebanyak 46 karakter dengan perincian, NIK (0-9), Selain NIK berupa huruf (A-Z), dan angka (0-9). Pada dokumen SIM dilakukan pelatihan sebanyak 36 karakter dengan perincian, Huruf (A-Z) dan Angka (0-9).

4. Untuk eKTP dilakukan pengujian terhadap field NIK, Nama, Alamat, RT/RW, Kel/Desa, dan Kecamatan Untuk SIM dilakukan pengujian terhadap field Nomor, Jenis, Nama, dan Alamat

5. Nilai ambang eKTP digunakan sebesar 126 dan SIM 170.


Hasil Pengujian Sistem - eKTP

Pengujian pada beberapa eKTP, masing-masing field dengan nilai ambang sebesar 126. Nama

Sebenarnya Pengenalan Akurasi (%)

AHMAD LUTHFI AHMALY L LVTHFI 33.33

AZIFATUL ANIFAH AZIFATUL ATN F

AFI 62.07

NURUL HIDAYAT NLJRLVL FXTEVAYA 14.81

FATHOLAH FATROLLAH 58.82

MUHAMAD YASIR BURHAN MJFTAMAU YASIC

LUHHAN 10.81



Pengujian pada eKTP masing-masing field.

NIK


3525100407630001 3525100407630001 100

3525106309710001 3525106309710001 100

3515130404630004 3515130404630004 100

3509170412810001 3509170412810001 100

1221131607830003 1221131607830003 100



Pengujian pada eKTP masing-masing field

Alamat


PONGANGAN REJO PUNGANVN REX 41.67

PONGANGAN REJO ALNVNGAN REY 8.33

BINGIN BENDO BRINCTIN FT NDU 8.33

DUSUN PATEMON DUSUN PATELN 78.26

KRAMAT LANGON IV 10 KRAMA LANUON IV

JJ 32.26




RT/RW


001 003 001 003 100

001 003 OO1 O03 50

003 001 OO3 OQT 16.67

002 004 QO2 J3 18.18

002 007 O3 JO7 0




Kel/Desa


PONGANGAN PLLTVNVN 25.53

PONGANGAN PONVNGAN 35.29

BINGINBENDO BRINOTNBLNDO 8.7

MANGARAN MYYRAN 28.57

SIDOKUMPUL SIJUKUMPUV 70




Kecamatan

Sebenarnya Pengenalan Akurasi (%) Sebenarnya

MANYAR MANYAR 100 MANYAR

MANYAR VANYAP 66.67 MANYAR

TAMAN TAMAN 100 TAMAN

AJUNG YUNC 0 AJUNG

GRESIK GRESIK 100 GRESIK


Hasil Pengujian Sistem - SIM

Pengujian pada beberapa SIM, masing-masing field dengan nilai ambang sebesar 170. Nama


AHMAD LUTHFI AHMAD LUTHFI 100

AHMAD LUTHFI AHMAD LUTHFI 100

JOKO WAHYONO CAHYO JOKO WAHYONO CAHYO 100

MUHAMAD YASIR BURHAN

MUHAMAD YASIR BURHAN

100

NURUL WIJI SRI UTAMI

NURUL WIJI SRI UTAMI

100



Pengujian pada SIM, masing-masing field

Nomor


630715540336 630715540336 100

630715540731 630715540731 100

780915540395 780915540395 100

830715540825 830715540825 100

710115531414 710115531414 100




Jenis


A A 100

C C 100

A A 100

C C 100

C C 100




Alamat


DS PONGANGAN REJO RT1 RW3


100


DS FONGANGAN REJO RT1 RW3

95.24

DS RANDUAGUNG RT3 RW3

DS RANDUAGUNG RT3 RW3

100

DS KRAMAT LANGON IV 10

DS KRAMAT LANGON IV 10

100

BRINGIN BENDO TAMAN NHINGTN BL NOC T

AMAN 64.71


Pembahasan

Pembahasan Hasil Pengujian Secara Keseluruhan: 1. Pengaruh parameter Alpha dan Epoh dari pengujian field

NIK, Nama pada eKTP dan Nama, Nomor pada SIM diperoleh nilai aplha 0.01 dan jumlah epoh 1000 untuk pengujian.

2. Nilai ambang yang berbeda dapat mempengaruhi hasil pengenalan. Pada pengujian mencari nilai ambang rata-rata didapatkan untuk dokumen eKTP digunakan nilai ambang 126 dan untuk dokumen SIM digunakan nilai ambang 170.

3. Pengujian pada 25 dokumen identitas berbeda, rata-rata mengenali karakter eKTP sebesar 62.51% dan karakter SIM sebesar 91.87%.

4. Penyebab besar kecilnya akurasi dipengaruhi oleh kualitas citra, baik pemotongan yang kurang sempurna pada dokumen dan karakter yang saling berhimpit sehingga dianggap sebagai satu karakter.


Kesimpulan

1. Proses-proses yang dilakukan sebelum karakter pada citra dokumen dapat dikenali adalah proses konversi citra, proses segmentasi, proses normalisasi, dan proses ekstraksi ciri.

2. Penentuan nilai ambang (threshold) sangat berpengaruh pada akurasi yang didapatkan masing-masing field dokumen. Nilai ambang yang digunakan untuk dokumen eKTP sebesar 126 dan untuk dokumen SIM sebesar 170.

3. Karakter pada dokumen SIM lebih mudah dikenali daripada karakter pada dokumen eKTP. Dilihat dari bentuk fisik karakter dokumen SIM memiliki huruf yang tegas dan jelas serta minim noise pada latar belakang. Sedangkan pada dokumen eKTP karakter lebih kecil dan kadang berhimpit satu sama lain sehingga sulit dikenali.

4. Metode Learning Vector Quantization lebih baik dalam mengenali karakter dokumen SIM dengan rata-rata pengenalan dari 25 dokumen SIM untuk beberapa field sebesar 91.87% sedangkan pada dokumen eKTP akurasinya sebesar 62.51%.

5. Sitem mampu mengkonversi citra dokumen eKTP/SIM menjadi karakter sesuai dengan field-field yang dikehendaki dan dikelompokkan ke dalam suatu tabel.


Saran

1. Citra dokumen yang digunakan lebih ditingkatkan kualitasnya, hal ini membutuhkan scanner yang dapat menghasilkan citra dengan kedalaman piksel lebih tinggi.

2. Proses menghilangkan gangguan (noise) sangat berpengaruh dalam hasil pengenalan, sehingga perlu pra-pengolahan yang lebih baik untuk meningkatkan akurasi.

3. Metode yang dipakai dalam penelitian ini dapat dikembangkan atau menggunakan metode lain dengan data latih yang lebih banyak.

4. Dapat dikembangkan untuk langsung terhubung dengan scanner tanpa perlu melakukan pemotongan manual (akuisisi), sehingga bisa dilakukan secara otomatis.


Daftar Pustaka

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

[2]. Hartanto, S., Sugiharto, A., Endah, S.N., dan Prabhakar. 2012. Optical Character Recognition Menggunakan Algoritma Template Matching Correlation. Semarang : Undip.

[3]. Rohwana, U. 2013. Pengenalan Tulisan Tangan Huruf Latin Bersambung Secara Real Time Menggunakan Algoritme Learning Vector Quantization. Surabaya : Institut Teknologi Sepuluh Nopember.

[4]. Ronny, Rahman, S., Munir, A. 2012. Pengenalan Karakter Dengan Segmentasi Citra dan Algoritma Learning Vector Quantization. Makassar : STMIK.

[5]. Gonzales, RC. Woods, RE. 2002. Digital Image Processing. New Jersey: Prentice Hall, Inc.


Daftar Pustaka

[6]. Fausett, L. 1994. Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. Prentice Hall International.Inc.

[7]. Asworo. 2010. Comparison Between Kohonen Neural Network Method and Learning Vector Quantization in The Online Handwriting Recognition System. Surabaya : Institut Teknologi Sepuluh Nopember.

[8]. KKPS. 2009. BERSERI “Belajar Menulis Benar, Rapi, dan Indah” untuk siswa kelas satu, dua, dan tiga Sekolah Dasar. Bandung.


TERIMA KASIH

sistem konversi dokumen identitas individu menjadi suatu...

Documents