DAFTAR REFERENSI. xii

Transkripsi

1 DAFTAR REFERENSI [AMI98] Amin, A., Singh, S. (1998). Recognition of Hand-printed Chinese Characters using Decision Trees/Machine Learning C4.5 System. Pattern Analysis and Applications Vol. 1 Issue 2 Pp [AMI99] Amin, A., Singh, S. (1999). Recognition of Hand-Printed Characters via Induct- RDR.ICDAR [COM89] Compton, P., Jansen, R. (1989). A Philosophical Basis for Knowledge Acquisition. Garvan Institute of Medical Research Technical Report. [COM00] Compton, P., Richards, D. (2000). Generalising Ripple-Down Rules. Knowledge Engineering and Knowledge Management: Methods, Models, Tools, Eds. R. Dieng; O. Corby, Juan-les-Pins France. Berlin, Springer. pp [FUK00] Fukushima, T., Nakagawa, M. (2000). On-line Writing-box-free Recognition of Handwritten Japanese Text Considering Character Size Variations. [GAI92] Gaines, B. R., Compton, P. J. (1992). Induction of Ripple Down Rules. Proceedings of the 5 th Australian Joint Conference on Artificial Intelligence, Hobart, Tasmania. Singapore, World Scientific [ISH99] Ishigaki, K., Tanaka, H., Iwayama, N. (1999). Interactive Character Recognition for Pen-based Technology. Fujitsu Sci. Tech Journal, 35, 2, pp [JAE03] Jaeger, S., Jaeger, S., Liu, C.L., Nakagawa, M. (2003). The State of The Art in Japanese Online Handwriting Recognition Compared to Techniques in Western Handwriting Recognition. IJDAR (2003) vol. 6 pp [LIT96] Littin, J. (1996). Thesis. New Zealand, University of Waikato. [LIU04] Liu, C.L., Jaeger, S., Nakagawa, M. (2004). Online Recognition of Chinese Characters: The State of The Art. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 26 No.2, February [MIT97] Mitchell, T. M. (1997). Machine Learning. Singapore, McGraw-Hill Company. [NAK96a] Nakagawa, M., Oguni, T., Homma, A. (1996). A Coarse Classification of On-Line Handwritten Character. Proc. Fifth International Workshop Frontiers Handwriting Recognition (IWFHR 96), pp xii

2 xiii [NAK96b] Nakagawa, M., Akiyama, K., Tu, L. V., Homma, A., Kigashiyama, T. (1996). Robust and Highly Customizable Recognition of On-Line Handwritten Japanese Characters. 13 th International Conference on Pattern Recognition (ICPR'96) Vol. 3 p [NAK97] Nakagawa, M. et al. On-line Handwritten Character Pattern Database Sampled in a Sequence of Sentences without Any Writing Instructions. Fourth International Conference on Document Analysis and Recognition (ICDAR), Ulm (Germany), pages [ROW02] Rowley, H.A., Goyal, M., Benett, J. (2002). The Effect of Large Training Set Sizes on Online Japanese Kanji and English Cursive Recognizers. Proceedings of the Eighth International Workshop on Frontiers in Handwriting Recognition. IEEE Computer Society. [SUD04] Sudjianto, Dahidi, A. (2004). Pengantar Linguistik Bahasa Jepang. Jakarta, Kesaint Blanc. [TAP90] Tappert, C.C., Suen, C.Y., Wakahara, T. (1990). The State of The Art in On-Line Handwriting Recognition. IEEE Transaction on Pattern Analysis and Machine Intelligence, Vol. 12, No. 8. [YHA81] Yhap, E. F., Greanias, E. C. (1981). An On-Line Chinese Character Recognition System. IBM Journal Research Department Vol. 25 No. 3. [VUO02] Vuori, V., Aksela, M., Girdziusas, R., Laaksonen, J., Oja, E. (2002). On-line Recogniton of Handwritten Characters. [WIT00] Witten, I. H., Frank, E. (2000). Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations. USA, Morgan Kaufmann Publishers.

3 LAMPIRAN A FEATURE EXTRACTION PADA 46 SILABEL DASAR HURUF KATAKANA Tabel A-1 Jenis dan urutan segmen dan posisi relatif antar segmen Huruf Jumlah Urutan dan jenis segmen Posisi relatif antar segmen Lafal Katakana segmen Seg1 Seg2 Seg3 Seg4 Seg5 Seg2_1 Seg3_2 Seg4_3 Seg5_4 A ア 3 R-Hor - - S-East West - - I イ 2 Ver Center U ウ 4 Ver Ver R-Hor - S-West East South - E エ 3 R-Hor Ver R-Hor - - South South - - O オ 4 R-Hor Ver U- - Center West West - Ka カ 3 R-Hor - - S-East West - - Ki キ 3 R-Hor R-Hor - - South Center - - Ku ク 3 R-Hor - - East South - - Ke ケ 3 R-Hor - - Center South - - Ko コ 3 R-Hor Ver R-Hor - - South South - - A-1

4 A-2 Huruf Jumlah Urutan dan jenis segmen Posisi relatif antar segmen Lafal Katakana segmen Seg1 Seg2 Seg3 Seg4 Seg5 Seg2_1 Seg3_2 Seg4_3 Seg5_4 Sa サ 4 R-Hor Ver Ver - Center East South - Shi シ 3 U- - - North S-East - - Su ス 3 R-Hor - - South Center - - Se セ 4 R-Hor Ver R-Hor - S-East East South - So ソ East Ta タ 4 R-Hor - East South Center - Chi チ 3 R-Hor - - South Center - - Tsu ツ East East - - Te テ 3 R-Hor R-Hor - - South South - - To ト 2 Ver Center Na ナ 2 R-Hor Center Ni ニ 2 R-Hor R-Hor South Nu ヌ 3 R-Hor - - S-East Center - - Ne ネ 5 U- Ver South S-East Center East

5 A-3 Huruf Jumlah Urutan dan jenis segmen Posisi relatif antar segmen Lafal Katakana segmen Seg1 Seg2 Seg3 Seg4 Seg5 Seg2_1 Seg3_2 Seg4_3 Seg5_4 No ノ Ha ハ East Hi ヒ 3 Ver R-Hor - - Center S-East - - Fu フ 2 U S-East He ヘ 2 U East Ho ホ 5 R-Hor Ver U- Center N-West East - Ma マ 3 U- - - S-East S-West - - Mi ミ South South - - Mu ム 3 U- - - S-East Center - - Me メ Center Mo モ 4 R-Hor R-Hor Ver R-Hor - South Center S-East - Ya ヤ 3 U- - - South West - - Yu ユ 3 R-Hor R-Hor - - South Center - - Yo ヨ 4 R-Hor Ver R-Hor R-Hor - South Center North -

6 A-4 Huruf Jumlah Urutan dan jenis segmen Posisi relatif antar segmen Lafal Katakana segmen Seg1 Seg2 Seg3 Seg4 Seg5 Seg2_1 Seg3_2 Seg4_3 Seg5_4 Ra ラ 3 R-Hor R-Hor - - South South - - Ri リ 3 Ver Ver - - East South - - Ru ル 3 Ver U- - - East S-East - - Re レ 2 Ver U East Ro ロ 4 Ver R-Hor R-Hor - East South South - Wa ワ 3 Ver R-Hor - - East South - - Wo ヲ 3 R-Hor R-Hor - - South East - - N ン 2 U South - - -

7 LAMPIRAN B FEATURE EXTRACTION PADA 46 SILABEL DASAR HURUF KATAKANA Tabel B-1 Kondisi Perpotongan antar Segmen Huruf Jumlah Urutan dan jenis segmen Perpotongan antar segmen Lafal Katakana segmen Seg1 Seg2 Seg3 Seg4 Seg5 Seg2_1 Seg3_2 Seg4_3 Seg5_4 A ア 3 R-Hor - - Succ. Succ. - - I イ 2 Ver Cross U ウ 4 Ver Ver R-Hor - No-Isect Cross Succ. - E エ 3 R-Hor Ver R-Hor - - Cross Cross - - O オ 4 R-Hor Ver U- - Cross Succ. No-Isect - Ka カ 3 R-Hor - - Succ. No-Isect - - Ki キ 3 R-Hor R-Hor - - No-Isect Cross - - Ku ク 3 R-Hor - - Cross Succ. - - Ke ケ 3 R-Hor - - Cross Cross - - Ko コ 3 R-Hor Ver R-Hor - - Succ. Cross - - B-1

8 B-2 Huruf Jumlah Urutan dan jenis segmen Perpotongan antar segmen Lafal Katakana segmen Seg1 Seg2 Seg3 Seg4 Seg5 Seg2_1 Seg3_2 Seg4_3 Seg5_4 Sa サ 4 R-Hor Ver Ver - Cross Cross - - Shi シ 3 U- - No-Isect No-Isect - - Su ス 3 R-Hor - - Succ. Cross - - Se セ 4 R-Hor Ver R-Hor - Succ. No-Isect Succ. - So ソ No-Isect Ta タ 4 R-Hor Cross Succ. Cross - Chi チ 3 R-Hor - - No-Isect Cross - - Tsu ツ No-Isect No-Isect - - Te テ 3 R-Hor R-Hor - - No-Isect Cross - - To ト 2 Ver Cross Na ナ 2 R-Hor Cross Ni ニ 2 R-Hor R-Hor No-Isect Nu ヌ 3 R-Hor - - Succ. Cross - - Ne ネ 5 U- Ver No-Isect Succ. Cross No-Isect

9 B-3 Huruf Jumlah Urutan dan jenis segmen Perpotongan antar segmen Lafal Katakana segmen Seg1 Seg2 Seg3 Seg4 Seg5 Seg2_1 Seg3_2 Seg4_3 Seg5_4 No ノ Ha ハ No-Isect Hi ヒ 3 Ver R-Hor - - cross Succ. - - Fu フ 2 U Succ He ヘ 2 U Succ Ho ホ 5 R-Hor Ver U- cross Succ. No-Isect No-Isect Ma マ 3 U- - - Succ. Cross - - Mi ミ No-Isect No-Isect - - Mu ム 3 U- - - Succ. Cross - - Me メ Cross Mo モ 4 R-Hor R-Hor Ver R-Hor - No-Isect Cross Succ. - Ya ヤ 3 U- - - Succ. No-Isect - - Yu ユ 3 R-Hor Ver R-Hor - - Succ. Cross - - Yo ヨ 4 R-Hor Ver R-Hor R-Hor - Succ. Cross No-Isect -

10 B-4 Huruf Jumlah Urutan dan jenis segmen Perpotongan antar segmen Lafal Katakana segmen Seg1 Seg2 Seg3 Seg4 Seg5 Seg2_1 Seg3_2 Seg4_3 Seg5_4 Ra ラ 3 R-Hor R-Hor - - No-Isect Succ. - - Ri リ 3 Ver Ver - - No-Isect Succ. - - Ru ル 3 Ver U- - - No-Isect Succ. - - Re レ 2 Ver U Succ Ro ロ 4 Ver R-Hor R-Hor - Cross Succ. Cross - Wa ワ 3 Ver R-Hor - - Cross Succ. - - Wo ヲ 3 R-Hor R-Hor - - No-Isect Cross - - N ン 2 U No-Isect - - -

11 LAMPIRAN C DIAGRAM KELAS Controller ui MainUI kare preprocessor Parser +source: String +description: String +summary: String +time: String irdr EvaluationSummary +EvaluationSummary(src: String, desc: String, sum: String): EvaluationSummary +tostring(): String KatakanaDataset +name: String +featurevector: FastVector +trainingset: Instances -nbrelationalattributes: int = 2 +segmentattributesnominalvalue: FastVector +sideattributesnominalvalue: FastVector +intersectionattributesnominalvalue: FastVector +KatakanaDataset(data: KatakanaDatabase): KatakanaDataset 1 +source +Parser(uri: String): Parser +readfile() +readfile(uri: String): KatakanaLetter[] -iskatakana(charcode: int): boolean -isblockheader(line: String): boolean -getpoint(line: String): Point -lookup(charcode: int, letters: KatakanaLetter[]): KatakanaLetter -initstorage(letter: KatakanaLetter, charcode: int, letters: KatakanaLetter[]): ImageData -setposition(image: ImageData, row: int, column: int) Normalizer -FRAME_START_X: int = 20 -FRAME_START_Y: int = 40 -FRAME_STEP_X: int = 65 -FRAME_STEP_Y: int = 105 -FRAME_SIZE: int = 60 -NORMALIZATION_SIZE: int = 64 +normalize(image: ImageData) -repose(point: Point, row: int, column: int): Point -calcscale(height: int, width: int): int -scalepoint(point: Point, scale: int): Point SegmentExtractor -THRESHOLD: double = createsegment(stroke: ImageStroke): ImageSegment[] +setinfo(segment: ImageSegment) -isoscilatebetween(f1: double, f2: double): boolean -calcinclination(segment: ImageSegment): double -calcinclination(start: Point, end: Point): double -categorizesegment(segment: ImageSegment): double[] +filename: String +path: String +maxsegmentsize: int +nbimages: int -code: int KatakanaDatabase +KatakanaDatabase(input: File): KatakanaDatabase +append(newdata: KatakanaDatabase) +size(): int +maxsegmentsize(): int -processrawdata() +summary(): String 1..* +letters KatakanaLetter +KatakanaLetter(unicode: int): KatakanaLetter +get(): int +getimages(): KatakanaDatabase[] +addimage(image: ImageData) +spell(): String +spell(code: int): String 1 1..* -container -images +row: int +column: int +points: Point[] +rescaled: Point[] ImageData -lettercontainer +ImageData(letter: KatakanaLetter): ImageData +getcontainer(): KatakanaLetter +getrow(): int +getcolumn(): int +getstrokes(): ImageStroke[] +getstrokeat(idx: int): ImageStroke +getpoints(): Point[] +getrescaled(): Point[] +setrow(r: int) +setcolumn(col: int) +addstroke(stroke: ImageStroke) +addpoint(point: Point) +setrescaled(points: Point[]) FastVector Attribute 1 weka 1 -startpoint: Point -endpoint: Point -trajectory: Point -inclination: double datastruct ImageSegment +ImageSegment(image: ImageData): ImageSegment +get(): ImageData +getlettercontainer(): KatakanaLetter +getstartpoint(): Point +getendpoint(): Point +gettrajectory(): Point[] +getcategory(): SegmentCategory +getinclination(): double +setstartpoint(start: Point) +setendpoint(end: Point) +add(p: Point) +setcategory(category: SegmentCategory) +setinclination(degree: double) +UNDEFINED +RIGHTHORIZONTAL +LEFTHORIZONTAL +TOPVERTICAL +BOTTOMVERTICAL +TOPBACKSLASH +BOTTOMBACKSLASH +TOPSLASH +BOTTOMSLASH <<enumeration>> SegmentCategory +NONE +CROSS +SUCCESSIVE -SegmentCategory(nominal: String, numeric: int): SegmentCategory +numeric(): int +nominal(): String +determinebynumeric(numeric: int): SegmentCategory +determinebynominal(nominal: String): SegmentCategory 1 -category -imagecontainer 1 -container 1..* -segments core classifiers rules Instance Instances Classifier Evaluation +Evaluation() +evaluatemodel() +crossvalidatemodel() +tosummarystring() Ridor +Ridor() +setmajorityclass() +buildclassifier() +tostring() <<enumeration>> IntersectionType -IntersectonType(value: String): IntersectionType +nominal(): String -startpoint: Point -endpoint: Point -trace: Point[] -rescaled: Point[] -reposed: Point[] <<enumeration>> Side +NORTH +NORTHEAST +EAST +SOUTHEAST +SOUTH +SOUTHWEST +WEST +NORTHWEST +CENTER -Side(value: String): Side +nominal(): String ImageStroke +ImageStroke(img: ImageData): ImageStroke +getcontainer(): ImageData +gettraces(): Point[] +getsegments(): ImageSegment[] +gettraceat(idx: int): Point +getstartpoint(): Point +getendpoint(): Point +getnormalized(): Point[] +getrescaled(): Point[] +setstartpoint(start: Point) +setendpoint(end: Point) +add(point: Point) +add(segment: ImageSegment) +setnormalized(normalized: Point[]) +setrescaled(rescaled: Point[]) +mergeneighbouringsegments() +removesmallsegments() Gambar C-1 Diagram Kelas KaRe C-1

12 LAMPIRAN D SEQUENCE DIAGRAM KARE : Controller : KatakanaDataset : KatakanaDatabase : Parser : KatakanaLetter : ImageData : ImageStroke ImageSegment : Normalizer : SegmentExtractor 1 : trainingset := KatakanaDataset() 2 : handwriting := KatakanaDatabase() 3 : letters := readfile() 4 : KatakanaLetter() 5 : ImageData() 6 : ImageStroke() 7 : addstroke() 9 : processrawdata() 8 : addimage() 10 : normalize() 12 : mergeneighbouringsegments() 13 : removesmallsegments() 11 : createsegment() Gambar 1 Diagram Sekuens Membangun Dataset 1

13 : Controller : KatakanaDataset : Ridor : EvaluationSummary 1 : dataset := KatakanaDataset() 2 : ridor := Ridor() 3 : setmajorityclass() 4 : buildclassifier() 5 : EvaluationSummary() 6 : tostring() Gambar 2 Diagram Sekuens Membangun Pengeahuan : Controller : Evaluation : EvaluationSummary 1 : eval := Evaluation() 2 [option = trainset] : evaluatemodel() 3 [option = cross validation] : crossvalidatemodel() 4 : EvaluationSummary() 5 : tosummarystring() Gambar 3 Diagram Sekuens Evaluasi 2

14 LAMPIRAN E PENGUJIAN IMPLEMENTASI KELAS KARE Tabel E-1 Pengujian Implementasi Kelas KaRe No. Hal yang diujikan Use case Kelas yang terlibat Skenario pengujian Kriteria pengujian Hasil 1 Melakukan parsing Mempersiapkan Parser Jalankan kelas Parser File keluaran menghasilkan Sukses terhadap sebuah file data data Semua kelas dalam package datastruct huruf Katakana, image dari huruf tersebut dan posisi tiap-tiap image (baris dan kolom) 2 Melakukan proses Mempersiapkan Normalizer Jalankan kelas Normalizer File keluaran menghasilkan Sukses normalisasi posisi terhadap data huruf Katakana data Semua kelas dalam package datastruct data huruf Katakana dan posisi titik koordinat baru dari setiap image E-1

15 E-2 No. Hal yang diujikan Use case Kelas yang terlibat Skenario pengujian Kriteria pengujian Hasil 3 Melakukan proses Mempersiapkan Normalizer Jalankan kelas Normalizer File keluaran menghasilkan Sukses normalisasi ukuran terhadap data huruf Katakana data Semua kelas dalam package datastruct data huruf Katakana dan titik-titik koordinat setiap image yang sudah direscale 4 Melakukan proses Mempersiapkan Segment Jalankan kelas File keluaran menghasilkan Sukses feature extraction pada data Extractor SegmentExtractor jenis segmen, relasi antar data hasil normalisasi Semua kelas dalam package datastruct tiap dua segmen, dan kondisi perpotongan antar dua segmen dari tiap image huruf Katakana 5 Membuka sebuah file Mempersiapkan MainUI Jalankan KaRe, klik tombol File dapat dibuka, pada text Sukses data data Open New, pilih sebuah field filenamearea muncul file masukan dari dialog lokasi direktori file box, lalu klik Open

16 E-3 No. Hal yang diujikan Use case Kelas yang terlibat Skenario pengujian Kriteria pengujian Hasil 6 Membuka beberapa file Mempersiapkan MainUI Jalankan KaRe, klik tombol File dapat dibuka, pada text Sukses data data Controller Semua kelas pada package atastruct dan preprocessor Open New, pilih sebuah file masukan dari dialog box, lalu klik Open. Klik tombol Add More, pilih sebuah file, klik Open. Ulangi sebanyak jumlah field filenamearea terdpat lokasi direktori file-file yang dibuka file yang akan dibuka 7 Melakukan praproses Mempersiapkan MainUI Jalankan KaRe, klik tombol File dapat dibuka, pada text Sukses pada data masukan (satu maupun gabungan) data Controller Semua kelas pada package atastruct dan preprocessor Open New, pilih sebuah file masukan dari dialog box, lalu klik Open. Klik tombol Add More, pilih sebuah file, klik Open. Ulangi sebanyak jumlah field filenamearea terdpat lokasi direktori file-file yang dibuka, pada text area IRDR Output muncul hasil praproses file yang akan dibuka

17 E-4 No. Hal yang diujikan Use case Kelas yang terlibat Skenario pengujian Kriteria pengujian Hasil 8 Melakukan Membangun Seluruh kelas Jalankan KaRe, buka file Pada text area IRDR Sukses pembangunan pengetahuan data masukan, klik tombol Output muncul struktur pengetahuan dari data Build RDR dan ukuran pengetahuan masukan (satu maupun yang berhasil dibangun gabungan) (jumlah rule) 9 Melakukan pengujian Menguji Seluruh kelas Jalankan KaRe, buka file Pada textarea IRDR output Sukses terhadap pengetahuan pengetahuan data masukan, klik tombol muncul keterangan dari data masukan Build RDR, klik tombol pengujian dan ringkasan dengan menggunakan Evaluate hasil pengujian seluruh data sebagai data latih 10 Melakukan pengujian Menguji Seluruh kelas Jalankan Kare, buka file Muncul pesan peringatan Sukses terhadap pengetahuan pengetahuan data masukan, klik tombol Invalid format dari data masukan Build/RDR, pilih mode dengan metode pengujian Cross Validation pengujian cross dari box Test Option, text validation dan nilai fold field jumlah fold tidak diisi dikosongkan

18 E-5 No. Hal yang diujikan Use case Kelas yang terlibat Skenario pengujian Kriteria pengujian Hasil 11 Melakukan pengujian Menguji Seluruh kelas Jalankan Kare, buka sebuah Muncul pesan peringatan Sukses terhadap pengetahuan pengetahuan file data masukan, klik Invalid number dan dari data masukan tombol Build/RDR, pilih petunjuk untuk mengisi dengan metode cross- mode pengujian Cross dengan angka lebih besar validation dan nilai fold Validation dari box Test dari 2 kurang dari jumlah Option, text field jumlah minimal fold fold diisi dengan angka 1 12 Melakukan pengujian Menguji Seluruh kelas Jalankan Kare, buka sebuah Muncul pesan peringatan Sukses terhadap pengeahuan pengetahun file data masukan, klik Invalid number dan dari data masukan tombol Build/RDR, pilih petunjuk untuk tidak dengan metode cross- mode pengujian Cross mengisi dengan jumlah validation dan nilai fold Validation dari box Test yang lebih besar dari lebih besar dari jumlah Option, text field jumlah jumlah data data fold diisi dengan angka 1000

19 LAMPIRAN F PENGUJIAN PERBANDINGAN ALGORITMA PRAPROSES KARE DENGAN PRAPROSES IDEAL Tabel F-1 Perbandingan Urutan dan Jenis Segmen Pada Algoritma Praproses KaRe dengan Praproses Ideal Huruf Hasil Ideal Hasil KaRe Lafal Kat. Jml segmen (N) Seg1 Seg2 Seg3 Seg4 Seg5 Jml segmen Seg1 Seg2 Seg3 Seg4 Seg5 Jml tepat benar Akurasi (n/n) A ア 3 R-Hor ,5 I イ 2 Ver ,5 U ウ 4 Ver Ver R-Hor E エ 3 R-Hor Ver R-Hor R-Hor R-Hor ,5 O オ 4 R-Hor Ver U- - 3 R-Hor ,25 Ka カ 3 R-Hor R-Hor Ki キ 3 R-Hor R-Hor R-Hor R-Hor F-1

20 F-2 Huruf Hasil Ideal Hasil KaRe Lafal Kat. Jml segmen (N) Seg1 Seg2 Seg3 Seg4 Seg5 Jml segmen Seg1 Seg2 Seg3 Seg4 Seg5 Jml tepat benar Akurasi (n/n) Ku ク 3 R-Hor R-Hor Ke ケ 3 R-Hor R-Hor Ko コ 3 R-Hor Ver R-Hor ,3 Sa サ 4 R-Hor Ver Ver - 3 R-Hor ,25 Shi シ 3 U- - 3 R-Hor R-Hor U ,3 Su ス 3 R-Hor R-Hor Se セ 4 R-Hor Ver R-Hor - 3 R-Hor ,5 So ソ

21 F-3 Huruf Hasil Ideal Hasil KaRe Lafal Kat. Jml segmen (N) Seg1 Seg2 Seg3 Seg4 Seg5 Jml segmen Seg1 Seg2 Seg3 Seg4 Seg5 Jml tepat benar Akurasi (n/n) Ta タ 4 R-Hor 4 R-Hor Chi チ 3 R-Hor R-Hor Tsu ツ Te テ 3 R-Hor R-Hor R-Hor R-Hor To ト 2 Ver R-Hor Na ナ 2 R-Hor R-Hor Ni ニ 2 R-Hor R-Hor R-Hor R-Hor Nu ヌ 3 R-Hor ,67 Ne ネ 5 U- Ver 5 R-Hor 2 0,4

22 F-4 Huruf Hasil Ideal Hasil KaRe Lafal Kat. Jml segmen (N) Seg1 Seg2 Seg3 Seg4 Seg5 Jml segmen Seg1 Seg2 Seg3 Seg4 Seg5 Jml tepat benar Akurasi (n/n) No ノ Ha ハ Hi ヒ 3 Ver R-Hor R-Hor ,67 Fu フ 2 R-Hor ,5 He ヘ 2 U R-Hor ,5 Ho ホ 5 R-Hor Ver - 4 R-Hor R-Hor - 2 0,5 Ma マ 3 R-Hor ,67 Mi ミ 3 R-Hor R-Hor R-Hor R-Hor R-Hor R-Hor Mu ム 3 R-Hor R-Hor ,67

23 F-5 Huruf Hasil Ideal Hasil KaRe Lafal Kat. Jml segmen (N) Seg1 Seg2 Seg3 Seg4 Seg5 Jml segmen Seg1 Seg2 Seg3 Seg4 Seg5 Jml tepat benar Akurasi (n/n) Me メ Mo モ 4 R-Hor R-Hor Ver R-Hor - 4 R-Hor R-Hor R-Hor - 3 0,75 Ya ヤ 3 U R-Hor Yu ユ 3 R-Hor R-Hor R-Hor R-Hor Yo ヨ 4 R-Hor Ver R-Hor R-Hor - 3 R-Hor R-Hor ,25 Ra ラ 3 R-Hor R-Hor R-Hor R-Hor Ri リ 3 Ver Ver Ru ル 3 Ver U U ,67

24 F-6 Huruf Hasil Ideal Hasil KaRe Lafal Kat. Jml segmen (N) Seg1 Seg2 Seg3 Seg4 Seg5 Jml segmen Seg1 Seg2 Seg3 Seg4 Seg5 Jml tepat benar Akurasi (n/n) Re レ 2 Ver U U ,5 Ro ロ 4 Ver R-Hor R-Hor - 4 R-Hor R-Hor - 3 0,75 Wa ワ 3 Ver R-Hor ,3 Wo ヲ 3 R-Hor R-Hor R-Hor N ン 2 U U Σdata Σakurasi = 46 = 31,9 Akurasi rata-rata berdasarkan jenis dan urutan segmen : akumulasi 31, x 100% = 469 data x 100% = 69,35%

25 LAMPIRAN G PENGUJIAN ALGORITMA PRAPROSES Tabel G-1 Pengujian Posisi Relatif Antar Segmen Huruf Hasil Ideal Hasil KaRe Lafal Kat. Side2_1 Side3_2 Side4_3 Side5_4 Side2_1 Side3_2 Side4_3 Side5_4 Jml tepat benar Akurasi A ア S-East West - - South I イ Center Center U ウ S-West East South - S-West East South E エ South South - - South South O オ Center West West - Center West ,67 Ka カ S-East West - - S-East West Ki キ South Center - - South Center Ku ク East South - - East South ,5 Ke ケ Center South - - Center South Ko コ South South - - South South ,5 G-1

26 G-2 Huruf Hasil Ideal Hasil KaRe Lafal Kat. Side2_1 Side3_2 Side4_3 Side5_4 Side2_1 Side3_2 Side4_3 Side5_4 Jml tepat benar Akurasi Sa サ Center East South - Center South ,67 Shi シ North S-East - - South South Su ス South Center - - South Center Se セ S-East East South - Center South So ソ East East Ta タ East South Center - Center South Center - 2 0,67 Chi チ South Center - - South Center Tsu ツ East East - - East Center ,5 Te テ South South - - South South To ト Center Center Na ナ Center Center Ni ニ South South Nu ヌ S-East Center - - South Center ,5 Ne ネ South S-East Center East South South Center East 3 0,75 No ノ

27 G-3 Huruf Hasil Ideal Hasil KaRe Lafal Kat. Side2_1 Side3_2 Side4_3 Side5_4 Side2_1 Side3_2 Side4_3 Side5_4 Jml tepat benar Akurasi Ha ハ East East Hi ヒ Center S-East - - West S-East Fu フ S-East South He ヘ East S-East Ho ホ Center N-West East - Center West S-East - 1 0,3 Ma マ S-East S-West - - South South Mi ミ South South - - South South Mu ム S-East Center - - East S-East Me メ Center Center Mo モ South Center S-East - South Center S-East Ya ヤ South West - - Center Yu ユ South Center - - South Center Yo ヨ South Center North - Center South Ra ラ South South - - South South Ri リ East South - - East ,5

28 G-4 Huruf Hasil Ideal Hasil KaRe Lafal Kat. Side2_1 Side3_2 Side4_3 Side5_4 Side2_1 Side3_2 Side4_3 Side5_4 Jml tepat benar Akurasi Ru ル East S-East - - East East ,5 Re レ East East Ro ロ East South South - East South South Wa ワ East South - - East South Wo ヲ South East - - South North ,5 N ン South South Σdata = 46 Σakurasi = 31,56 Nilai akurasi rata-rata berdasarkan posisi relative antar segmen: akurasi 31,56 x 100% = data 46 x 100% = 68,61%

29 LAMPIRAN H PENGUJIAN ALGORITMA PRAPROSES KARE Tabel H-1 Pengujian Perpotongan Antar Segmen Huruf Hasil Ideal Hasil KaRe Lafal Kat. Isect2_1 Isect3_2 Isect4_3 Isect5_4 Isect2_1 Isect3_2 Isect4_3 Isect5_4 Jml tepat benar Akurasi A ア Succ. Succ. - - Succ ,5 I イ Cross No-Isect U ウ No-Isect Cross Succ. - No-Isect No-Isect Succ ,67 E エ Cross Cross - - No-Isect No-Isect O オ Cross Succ. No-Isect - Cross Cross ,3 Ka カ Succ. No-Isect - - Succ. No-Isect Ki キ No-Isect Cross - - No-Isect Cross Ku ク Cross Succ. - - No-Isect Succ ,5 Ke ケ Cross Cross - - Succ. No-Isect Ko コ Succ. Cross - - Succ. No-Isect ,5 H-1

30 H-2 Huruf Hasil Ideal Hasil KaRe Lafal Kat. Isect2_1 Isect3_2 Isect4_3 Isect5_4 Isect2_1 Isect3_2 Isect4_3 Isect5_4 Jml tepat benar Akurasi Sa サ Cross Cross Succ. - Cross No-Isect ,33 Shi シ No-Isect No-Isect - - No-Isect No-Isect Su ス Succ. Cross - - Succ. No-Isect ,5 Se セ Succ. No-Isect Succ. - Cross Succ So ソ No-Isect No-Isect Ta タ Cross Succ. Cross - Succ. Succ. Cross - 2 0,67 Chi チ No-Isect Cross - - No-Isect Cross Tsu ツ No-Isect No-Isect - - No-Isect No-Isect Te テ No-Isect Cross - - No-Isect No-Isect ,5 To ト Cross Cross Na ナ Cross Cross Ni ニ No-Isect No-Isect Nu ヌ Succ. Cross - - Succ. Cross Ne ネ No-Isect Succ. Cross No-Isect No-Isect Succ. No-Isect No-Isect 3 0,75 No ノ

31 H-3 Huruf Hasil Ideal Hasil KaRe Lafal Kat. Isect2_1 Isect3_2 Isect4_3 Isect5_4 Isect2_1 Isect3_2 Isect4_3 Isect5_4 Jml tepat benar Akurasi Ha ハ No-Isect East Hi ヒ Cross Succ. - - No-Isect Succ ,5 Fu フ Succ Succ He ヘ Succ Succ Ho ホ Cross No-Isect No-Isect - Cross No-Isect No-Isect Ma マ Succ. Cross - - Succ. No-Isect ,5 Mi ミ No-Isect No-Isect - - No-Isect No-Isect Mu ム Succ. Cross - - Succ. Succ ,5 Me メ Cross Cross Mo モ No-Isect Cross Succ. - No-Isect Cross Succ Ya ヤ Succ. No-Isect - - Cross Yu ユ Succ. Cross - - Succ. Cross Yo ヨ Succ. Cross No-Isect - Cross No-Isect Ra ラ No-Isect Succ. - - No-Isect Succ Ri リ No-Isect Succ. - - No-Isect ,5

32 H-4 Huruf Hasil Ideal Hasil KaRe Lafal Kat. Isect2_1 Isect3_2 Isect4_3 Isect5_4 Isect2_1 Isect3_2 Isect4_3 Isect5_4 Jml tepat benar Akurasi Ru ル No-Isect Succ. - - No-Isect Succ Re レ Succ Succ Ro ロ Cross Succ. Cross - No-Isect Succ. No-Isect - 1 0,3 Wa ワ Cross Succ. - - No-Isect Succ ,5 Wo ヲ No-Isect Cross - - Succ. No-Isect N ン No-Isect No-Isect Σdata = 46 Σakurasi = 31,02 Nilai akurasi rata-rata berdasarkan posisi relative antar segmen: x 100% = 31,02 46 x 100% = 67,43%

33 LAMPIRAN I PENGETAHUAN INDUCT/RDR YANG BERHASIL DIBANGUN character = ー (2666.0/2410.0) Except (side_seg0-seg1 = SOUTH) => character = ス (587.0/0.0) [287.0/0.0] Except (isect_seg0-seg1 = NO-INTERSECT) => character = ン (330.0/0.0) [165.0/0.0] Except (Seg1 = R-HOR) and (Seg0 = R-HOR) => character = キ (132.0/0.0) [68.0/0.0] Except (isect_seg1-seg2 = NO-INTERSECT) => character = ニ (55.0/0.0) [33.0/0.0] Except (side_seg1-seg2 = SOUTH) => character = デ (29.0/0.0) [15.0/0.0] Except (side_seg2-seg3 = SIDE-UNDEF) => character = シ (14.0/0.0) [5.0/0.0] Except (Seg2 = SLASH) => character = テ (5.0/0.0) [2.0/0.0] Except (Seg2 = R-HOR) => character = ミ (4.0/1.0) [2.0/0.0] Except (Seg2 = U-SLASH) => character = ジ (6.0/0.0) [3.0/0.0] Except (side_seg2-seg3 = SIDE-UNDEF) => character = シ (4.0/0.0) [2.0/0.0] Except (Seg2 = SLASH) and (isect_seg1-seg2 = SUCCESSIVE) => character = ラ (17.0/0.0) [5.0/0.0] Except (Seg2 = SLASH) and (isect_seg2-seg3 = SUCCESSIVE) => character = モ (4.0/0.0) [1.0/0.0] Except (side_seg3-seg4 = EAST) => character = デ (10.0/0.0) [3.0/0.0] Except (Seg2 = U-SLASH) => character = ジ (6.0/0.0) [2.0/0.0]... Gambar I-1 Contoh Pengetahuan Induct/RDR yang Berhasil Dibangun I-1