ANALISA BATAS SUDUT KEMIRINGAN HASIL PEMINDAIAN DOKUMEN MENGGUNAKAN TEMPLATE MATCHING CORRELATION
|
|
- Veronika Kurniawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 ANALISA BATAS SUDUT KEMIRINGAN HASIL PEMINDAIAN DOKUMEN MENGGUNAKAN TEMPLATE MATCHING CORRELATION Oleh : Teddy Setiady Manajemen Informatika, Politeknik LP3I Jakarta Gedung Sentra Kramat Jl. Kramat Raya No. 7-9 Jakarta Pusat Telp Fax teddy@plj.ac.id ABSTRAK Pemindaian dokumen cetak ke dalam bentuk dokumen digital dapat digunakan untuk konversi karakter optik ke dalam bentuk teks, yang selanjutnya dapat digunakan untuk proses kerja lainnya seperti proses edit, pencarian dan manajemen pemberkasan hasil pemindaian dokumen. Untuk menghasilkan hasil konversi dengan sempurna sering mendapatkan kendalayang diakibatkan oleh berbagai hal, antara lain ukuran huruf, ketebalan, ketajaman cetakan, jenis huruf yang tidak sesuai dengan template, dan posisi hasil pemindaian dokumen yang miring. Penelitian ini menguji kehandalan dari5 (lima) tipe font yang sering digunakan di Politeknik LP3I Jakarta yaitu arial, times new roman, calibri, tahoma dan book antiquadengan ukuran 12pt, 16pt dan 20pt. Posisi karakter diuji dalam sudut kemiringan dari -10 o s/d 10 o. Metode yang digunakan dalam proses pengenalan karakter optik ini adalah dengan menggunakan template matching correlation, yaitu teknik untuk mendapatkan nilaiperbandingan karakter pada citra input dan karakter pada citra template. Terdapat kelebihan dan kekurangan pada karakteristik masing-masing tipe font, maka yang dapat dianggap sebagai font yang paling optimal untuk OCR dalam kondisi miring adalah tipe font Arial dan Calibri yang tergabung sebagai kelompok huruf tidak bersirip (sans serif).sebagai solusi untuk memperbaiki kesalahan pembacaan karakter yang diakibatkan oleh kemiringan dokumen pada sudut tertentu maka dapat dibuat sebuah tool untuk mendeteksi derajat kemiringan citra input, kemudian angka derajat tersebut digunakan untuk memperbaiki posisi citra sehingga dapat memperbaiki hasil OCR. Kata kunci : Optical Character Recognition, Template Matching Correlation, Pemindaian Dokumen PENDAHULUAN Pada saat ini penggunaan teknologi sudah banyak digunakan untuk mempermudah pekerjaan di perkantoran, termasuk di dalamnya adalah pemindaian dokumen cetak ke dalam bentuk dokumen digital. Hasil pemindaian dokumen sering juga digunakan untuk konversi ke dalam bentuk teks, yang selanjutnya dapat digunakan untuk proses kerja lainnya seperti proses edit, pencarian dan manajemen pemberkasan hasil pemindaian dokumen. Hasil pemindaian berkas-berkas yang dilakukan pada Unit Data dan Informasi Direktorat Politeknik LP3I Jakartaseperti ijazah, transkrip dan dokumen lainnya tidak mudah untuk diimplementasikan untuk menghasilkan pemindaian yang 112
2 berkualitas. Konversi hasil pemindaian dokumen dengan memanfaatkan software peng-konversi karakter citra digital kedalam teks digunakan untuk mengolah bahan tersebut sesuai dengan kebutuhan. Banyaknya hasil pemindaian dokumen yang harus dikonversi menjadi dokumen teks sering mengalami permasalahan yang diakibatkan oleh berbagai hal, antara lain ukuran huruf, ketebalan, ketajaman cetakan, jenis huruf yang tidak sesuai dengan template, dan posisi hasil pemindaian dokumen yang miring, baik diakibatkan oleh posisi kertas ketika dipindai maupun akibat perubahan posisi huruf ketika proses cetak ataupun fotocopy. Untuk mengatasi permasalahan yang dikibatkan oleh tingkat kemiringan hasil pemindaian dokumen, maka diperlukan teknik untuk mengetahui batas sudut kemiringan dokumen cetak yang masih dapat memenuhi akurasi pengenalan karakter optik ke dalam teks sesuai dengan isi teks yang sebenarnya, serta solusi untuk mengurangi kesalahan pengenalan karakter optik yang diakibatkan oleh kemiringan hasil pemindaian dokumen. Metode yang digunakan dalam proses pengenalan karakter optik ini adalah dengan menggunakan template matching correlation. Pada karya ilmiah ini untuk dapat mengetahui batas sudut kemiringan hasil pemindaian dokumen tersebut adalah: menyiapkan dan memindai dokumen cetak yang berisi susunan huruf dan angka dari dari 5 (lima) tipe font yang sering digunakan di lokasi penelitian yaitu arial, times new roman, calibri, tahoma dan book antiquadengan ukuran 12pt, 16pt dan 20pt; pembuatan template citra biner huruf dari dokumen cetak tersebut melalui preprocessing dan segmentasi ke dalam file huruf dengan ukuran 42 x 24 pixel dan disimpan dalam file *.bmp, pembuatan matriks template seluruh huruf yang sudah dibuat dalam citra biner secara berurutan dalam satu file matriks; pembuatan fungsi untuk memberi arti dari urutan huruf matriks dalam bentuk huruf dan angka; pembuatan program untuk mengenali karakter huruf dengan metode template matching correlation yaitu dengan cara membandingkan antara input karakter optik dengan seluruh template huruf yang sudah dibuat. Hasil dari dari perbandingan akan memberikan nilai antara -1 s/d 1, semakin mirip maka akan mempunyai nilai mendekati 1 bahkan dapat mencapai nilai 1; dan terakhir melakukan percobaan dengan menggunakan dokumen digital yang digunakan untuk pembuatan template. Hal ini diulangi dengan menggunakan dokumen yang sudah dirubah kemiringannya ke kanan ataupun ke kiri dengan interval 1 hingga mencapai batas akurasi pengenalan huruf. Hasil yang diharapkan pada karya ilmiah ini untuk mendapatkan batas sudut kemiringan tertinggi dengan hasil akurasi pengenalan yang tinggi. Solusi untuk mengatasi kesalahan akibat posisi dokumen yang miring pada derajat tertentu yaitu dengan melakukan koreksi kemiringan dengan teknik skew detection and correction. Sedangkan manfaatnya dapat digunakan sebagai dasar eksperimen berikutnya sehingga proses pengenalan karakter optik tetap memiliki akurasi yang tinggi walaupun posisi dokumen dalam keadaan miring. LANDASAN TEORI Optical Character Recognition (OCR) Optical character recognition (OCR) atau pengenalan karakter optikmerupakansebuah sistem komputer yang dapat membaca karakter,baik yang berasal dari hasil cetakan maupun tulisan tangan. Aplikasi tersebut menerjemahkan karakter optik menjadi bentuk teks sesuai dengan pola yang sudah tersimpan dalam basis data sebagai knowledge base. 113
3 Masyarakat pada umumnya belajar membaca sejak awal masa pendidikannya. Secara bertahap kemampuan membaca berkembang hingga dapat mengenali huruf dalam berbagai kondisi yang berbeda, seperti misalnya ketebalan, jenis huruf, posisi huruf, hasil cetak, tulisan tangan hingga simbol-simbol tertentu. Karakter yang dicetak atau ditulis terkadang terdapat kesalahan, namun berdasarkan pengalaman dan konteks kalimat, kebanyakan manusia masih bisa mengenali maksud dari tulisan tersebut. Sebaliknya, meskipun lebih dari lima dekade penelitian yang intensif, keterampilan komputer untuk mengenali karakter masih jauh dari kemampuan manusia. Kebanyakan sistem OCR masih belum bisa membaca dokumen yang rusak dan tulisan tangan karakter/ katakata. Cheriet et.al. (2007:1-2) Optical Character Recognition (OCR) atau sistem pengenalan karakter optik merupakan salah satu bidang penelitian yang populer sejak tahun 1950 dalam bidang pengenalan pola (pattern recognition) dan kecerdasan buatan (artificial intelligence). (Chandarana dan Kapadia, 2014:219). Pengenalan pola merupakan suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu objek. (Hartanto, et.al, 2012:11) OCR adalah proses konversi dokumen cetak atau hasil pemindaian dokumen ke dalam karakter ASCII yang dapat dikenali komputer. Sistem komputer dengan menggunakan OCR dapat dimanfaatkan untuk meningkatkan kecepatan input, mengurangi kesalahan manusia, pencarian dengan cepat dan manipulasi file lainnya. Aplikasi tersebut dapat digunakan antara lain dalam pengenalan kode pos, entri data secara otomatis ke dalam sistem administrasi, perbankan, peta otomatis dan alat baca bagi orang buta. (Mohammad, et.al, 2014:2088). Sistem pengenalan huruf yang cerdas sangat membantu usaha besar-besaran yang saat ini dilakukan banyak pihak yakni usaha digitalisasi informasi dan pengetahuan, misalnya dalam pembuatan koleksi pustaka digital, koleksi sastra kuno digital, dan lain-lain. (Hartanto, et.al, 2012:12) OCR merupakan solusi yang efektif untuk proses konversi dari dokumen cetak ke dalam bentuk dokumen digital. Permasalahan yang muncul dalam melakukan proses pengenalan karakter optik adalah bagaimana sebuah teknik pengenalan dapat mengenali berbagai jenis huruf dengan ukuran, ketebalan, dan bentuk yang berbeda. Secara umum terdapat dua hal utama yang mempengaruhi proses OCR yaitu mekanisme ekstraksi ciri dan mekanisme pengenalan. (Hartanto, et.al, 2012:11) Beberapa algoritma yang dapat digunakan untuk proses pengenalan antara lain, jaringan syaraf tiruan, logika fuzzy, k-nearest Neighbor Algorithm, sequence alignment, template matching dan lain-lain. Dari beberapa algoritma tersebut, algoritma template matching merupakan salah satu algoritma yang efektif untuk diterapkan dalam sistem OCR. (Hartanto, 2012:11) Chandarana dan Kapadia (2014:219) menggambarkan proses OCR dalam gambar sebagai berikut: 114
4 dokumen. (Chandarana dan Kapadia, 2014:220) Hartanto, et.al. (2012:13) mendefinisikan citra biner sebagai berikut: Keterangan: adalah citra hitam putih adalah citra biner T adalah nilai ambang yang dispesifikasikan Gambar 1 Proses Optical Recognition Character Data Acquisition File input berupa hasil pemindaian dokumen cetak ke dalam dokumen digital, berupa file BMP, JPG, dan lainlain. Ada 2 kategori dalam akuisisi untuk OCR yaitu on-line character recognition systems dan off-line character recognition systems. On-line character recognition menangkap data secara langsung dari objek yang bergerak, sedangkan off-line character recognition menangkap data dari dokumen cetak melalui alat pemindai. (Patil dan Mane, 2013:504) Pre Processing (Binarization, Skew detection & correlation) Proses pertama kalinya yaitu konversi citra warna ke dalam citra skala keabuan. Selanjutnya yaitu proses binerisasi yaitu konversi citra skala keabuan (nilai piksel 0 hingga 255) ke dalam citra biner (nilai piksel 0 dan 1) melalui seleksi pengambangan antara nilai 0 hingga 255 dengan nilai pengambangan 128. Bila diperlukan untuk mengatasi kesalahan posisi dokumen yang miring dapat menggunakan metode Radon Transform (Skew detection and Correction method) yaitu deteksi kemiringan, kemudian atas dasar itu dilakukan koreksi posisi Segmentation Suatu citra yang mengandung karakter dipisahkan menjadi cintra individu masing-masing karakter. Langkah segmentasi diawali dengan segmentasi baris (line segmentation) yaitu memisahkan masing-masing baris kalimat. Selanjutnya, dari masing-masing baris dipisah kembali menjadi citra per karakter (character segmentation). Feature Extraction (In form of Vector Matrix) Setelah segmentasi karakter, masing-masing citra karakter dikonversi ke dalam bentuk matriks dengan ukuran yang sama dengan prototype, seperti contoh dibawah ini: Gambar 2 Citra Biner Classification (Template Matching & Correlation based) Masing-masing matriks input dibandingkan dengan masing-masing matriks prototype. Perbedaan antara input dan prototype dihitung, prototype dengan nilai korelasi tertinggi dipilih sebagai prototype yang paling cocok. 115
5 Recognized text (.txt file) Hasil proses OCR diuji coba hasilnya dalam sebuah file *.txt. Template Matching Correlation Metode korelasi merupakan teknik dasar yang digunakan dalam pengenalan karakter optik yaitu dengan cara menemukan korelasi silang yang cocok dengan template atau pola dalam gambar. Prinsipnya korelasi silang mengukur tingkat kesamaan antara gambar dan template. Mengukur template T (X Y) dan citra I (U V), di mana T lebih kecil dari I, kemudian normalisasi fungsi korelasi silang 2D didefinisikan sebagai : adalah rata-rata nilai piksel matriks j n menyatakan jumlah piksel dalam suatu matriks Dalam matlab perintah untuk nilai korelasi antara citra A dan citra B dalam bentuk matriks dalam kondisi ukuran yang sama, yaitu: corr2(a,b) Algoritma: Artinya: merupakan rerata dari A merupakan rerata dari B Di mana (u,v) adalah titik yang terletak pada citra I. Untuk menemukantingkat kesamaan antara template dan citra, korelasi silang harusdihitung atas semua kemungkinan. Cheriet et.al. (2007:66-67) Sedangkan Hartanto (2012:14) dalam jurnalnya merumuskan nilai korelasi sebagai berikut: Sumber : Dalam Microsoft Excel untuk menghasilkan nilai koefisien korelasi antara 2 array yaitu menggunakan rumus: CORREL(array1,array2) Persamaan untuk koefisien korelasi tersebut adalah: dimana: dimana dan adalah rerata dengan persamaan : AVERAGE(array1) dan AVERAGE(array2) Keterangan: r adalah nilai korelasi antara dua buah matriks (nilainya antara -1 dan +1) x ik adalah nilai piksel ke-k dalam matriks i x jk adalah nilai piksel ke-k dalam matriks j adalah rata-rata nilai piksel matriks i Sumber: function-995dcef7-0c0a-4bed-a3fb- 239d7b68ca92 Template matching correlation dalam proses OCR memiliki kelebihan dan kekurangan. Kelebihannya adalah 116
6 algoritma ini mudah ditulis ke dalam bahasa program dan mudah untuk mempersiapkan data referemsinya. Komputasi tidak terlalu besar karena data yang digunakan berupa matriks. Namun, dibalik kelebihannya itu algoritma ini secara umum memiliki kekurangan yaitu membutuhkan data referensi atau basis data yang banyak untuk mendapatkan hasil yang optimal. Basis data bisa berupa citra maupun citra yang telah dijadikan matriks. Semakin banyak jenis huruf yang ingin kita deteksi, maka semakin banyak data referensi yang harus disimpan. (Hartanto, 2012:14) Kerangka Pemikiran Kerangka pemikiran analisa batas sudut kemiringan hasil pemindaian dokumen menggunakan template matching correlation pada karya ilmiahini digambarkan dalam 2 buahflowchartyaitu proses pembuatan template karakter dan proses pengujian pengenalan karakter sebagai berikut: Proses Pembuatan Template Karakter Proses awal dalam penelitian ini adalah pembuatan template karakter yang akan digunakan sebagai pembanding dengan citra input. Adapun urutan pembuatannya seperti di bawah ini. Proses Pembuatan Template Citra Karakter Keterangan: 1. Menyiapkan dokumen cetak dengan warna kertas putih dan teks berwarna hitam yang berisi susunan huruf besar, huruf kecil dan angka dari5 (lima) tipe font yaituarial, times new roman, calibri, tahomadan book antiqua. 2. Pemindaian dokumen cetak ke dalam citra digital dengan resolusi 300 dpi ke dalam file *.jpg 3. Proses pembuatan template citra karakter dengan menggunakan Matlab dengan urutan sbb.: a. Konversi dari skala warna ke skala keabuan b. Konversi dari skala keabuan ke citra biner c. Segmentasi baris dan karakter menjadi citra masing-masing karakter individu d. Mengubah ukuran citra karakter menjadi 42 x 24 pixel e. Penyimpanan file karakter ke dalam format BMP secara berurutan sesuai dengan urutan pada dokumen 4. Pengujian citra karakter dengan meliha secara visual, apakah semua karakter sudah sesuai dengan aslinya; a. Jika sesuai maka lanjut ke proses berikutnya, b. Jika tidak sesuai maka kembali ke point 3 5. Proses pembuatan dan penyimpanan matriks karakter dengan urutan kerja sebagai berikut: a. Pembentukan variabel karakter untuk seluruh jenis huruf b. Penggabungan seluruh variabel ke dalam satu variabel matriks c. Pembagian matriks dalam array d. Penyimpanan dalam file *.mat sebagai template Gambar 3 117
7 Proses Pengujian Pengenalan Karakter Proses pengujian pengenalan karakter atau yang lebih dikenal dengan OCR (Optical Character Recognition) dilakukan terhadap 5 tipe font dengan ukuran 12pt, 16pt dan 20pt dalam posisi normal dan posisi kemiringan tertentu. Proses pengujian dapat digambarkan sepeti dalam diagram di bawah ini. KERANGKA PEMIKIRIAN Gambar 4 Kerangka Pemikiran Keterangan: 1. Menyiapkan dokumen cetak yang berisi huruf dan angka dengan berbagai kondisi seperti: a. Jenis huruf : arial, times new roman, calibri, dan tahoma b. Ukuran : 12pt, 16 dan 20pt c. Tanpa spasi dan 1 spasi 2. Pemindaian dokumen cetak ke dalam citra digital dengan resolusi 300 dpi ke dalam file *.jpg 3. Pengambilan citra input dengan kondisi berspasi dan miring 4. Proses OCR (Optical Character Recognition) menggunakan template matching correlation dengan urutan proses sebagai berikut: a. Membaca file hasil pemindaian dokumen b. Konversi dari RGB ke skala keabuan c. Konversi dari skala keabuan ke citra biner d. Segmentasi baris dan karakter menjadi citra masing-masing karakter individu e. Mengubah ukuran citra input menjadi 42 x 24 pixel agar dapat dibandingkan dengan template yang sudah dibuat f. Memanggil citra template karakter. g. Proses komputer untuk mendapatkan nilai korelasi antara matriks citra template dan citra input dan diulang sebanyak jumlah karakter yang ada dalam template, lalu disimpan dalam suatu variabel secara berurutan h. Pencarian nomor urut template yang memiliki nilai korelasi tertinggi antara matriks citra input dan citra template sehingga dapat menentukan nama karakter berdasarkan urutan yang didapatkan sesuai dengan variabel karakter yang sudah ditentukan sebelumnya. 5. Penyimpan hasil identifikasi ke dalam file teks *.txt atau ditampilkan dalam form 6. Tabulasi akurasi data hasil pengenalan citra karakter 7. Menentukan tingkat akurasi dengan rumus (jumlah karakter yang benar) / (jumlah citra karakter yang dibaca), sehingga: a. Jika akurat maka proses berulang ke proses point 6 yaitu untuk mengatur sudut kemiringan dengan interval 1 o b. Jika tidak akurat maka proses berhenti dan berlanjut ke proses berikutnya 118
8 8. Analisa batas sudut kemiringan berdasarkan tabulasi yang sudah dibuat. 9. Proses deteksi sudut kemiringan dan koreksi dokumen sebagai alternatif solusi. METODE PENELITIAN Analisis Kebutuhan Analisa kebutuhan menjelaskan hal-hal yang dibutuhkan dalam melakukan penelitian. Dalam penelitian yang dilakukan ada beberapa analisa kebutuhan yaitu analisa kebutuhan data dan analisa kebutuhan perangkat, yang dijelaskan seperti berikut ini: Analisis Kebutuhan Data Jenis Huruf Langkah pertama yang harus disiapkan adalah dokumen cetak yang berisi susunan huruf besar, huruf kecil dan angka. Dokumen tersebut dipindai menjadi citra digital sebagai bahan untukpembuatan template citra karakter sebagai basis data dalam proses pengenalan karakter optik. Untuk tipe font yang digunakan dalam penelitian yaitu arial, times new roman, calibri, tahoma dan book antiquadengan ukuran 12pt, 16pt dan 20pt. Posisi karakter diuji dalam sudut kemiringan dari -10 o s/d 10 o. Analisis Kebutuhan Data Untuk Isi Dokumen Dokumen yang perlu disiapkan dalam karya ilmiah ini berupa kertas berukuran 16 x 16 cm yang berisi susunan huruf masing-masing tipe font dengan kombinasi ukuran dan spasi, yaitu:dokumen Normal Sebelum Dirubah Kemiringan dan Dokumen Yang Sudah Dirubah Kemiringan. Masing-masing citradigital dengan ukuran 20pt digandakan menjadi citra baru dengan kemiringan 1 hingga 10 ke arah kanan dan kiri. Proses pembuatan citra miring dengan mengguna Matlab, adapun perintah yang digunakan adalah imrotate(a,angle), dimana A merupakan nama citra dan angle adalah besar sudut ke arah berlawanan dengan arah jarum jam. Berikut contoh penamaan citra yang sudah dimiringkan sebanyak 5 ke kanan menjadi sebagai berikut: Gambar 5 Contoh citra digital font Arial 20pttanpa spasi dengan kemiringan 5 ke arah kanan (AR20-05.jpg) Berikut contoh penamaan citra yang sudah dimiringkan sebanyak 5 ke arah kiri menjadi sebagai berikut: Gambar 6 Contoh citra digital font Times New Roman 20pttanpa spasi dengan kemiringan 5 ke arah kiri (TN20+05.jpg) Analisa Kebutuhan Perangkat Lunak Dengan memanfaatkan Matlab perlu dirancang sebuah aplikasi sederhana untuk mempermudah dalam proses penelitian yaitu dengan desain antar muka seperti dalam gambar berikut: 119
9 Gambar 7 Tampilan Form Uji OCR Menggunakan Template Matching Correlation Keterangan : Perancangan Penelitian Perancangan penelitian merupakan metode yang lebih menekankan pada aspek pemahaman secara mendalam terhadap proses pembuktian dan solusi terhadap pemasalahan Perancangan penelitian dalam karya ilmiah ini dibagi menjadi 3 bagian yautu proses pembuatan template, mencari toleransi sudut kemiringan dan solusi untuk mendapatkan hasil pengenalan karakter optik sesuai dengan yang diharapkan. Proses Pembuatan TemplateKarakter Proses pembuatan template yaiu menggunakan huruf-huruf yang ada pada citra hasil pemindaian dokumen. Template dibuat menjadi 4 template yaitu template Arial, Times New Roman, Calibri dan Tahoma. Proses pembuatan template dibagi menjadi 3 bagian utama yaitu proses pembuatan citra per karakter, konversi citra menjadi matriks dan konversi nomor urut dalam matriks ke dalam nama abjad sesuai dengan citra karakter yang terlihat secara visual. Untuk mendapatkan masingmasing karakter pada citra hasil pemindaian yaitu dengan proses segmentasi per baris dan per karakter. Kemudian masing-masing karakter dikonversi menjadi 42 x 24 piksel. Selanjutnya penyimpanan citra karakter dengan perintah imwrite(). Setelah citra karakter terbentuk maka perlu diperiksa secara visual apakah citra yang dibuat sesuai dengan yang diinginkan. Jika belum sesuai maka perlu dibuat kembali hingga sesuai dengan karakter yang diharapkan. Selanjutnya citra karakter yang sudah dibuat dikonversi ke dalam kumpulan variabel karakter,dikonversi ke dalam sebuah matriks dan disimpan menjadi sebuah file template. Untuk keperluan selanjutnya maka dibuat sebuah file untuk dapat menterjemahkan urutan elemen dalam matriks ke dalam penamaan karakter. Pencarian Batas ToleransiSudut Kemiringan Proses pencarian batas toleransi dilakukan dengan melakukan pengenalan karakter optik atau yang lebih dikenal dengan OCR (Optical Character Recognition) terhadap seluruh citra yang sudah dirubah kemiringannya ke arah kanan dan kiri dari 1 hingga 10 atau berhenti ketika tingkat keberhasilan sudah mencapai 50% atau kurang. Pengujian ini dilakukan terhadap huruf Arial, Times New Roman, Calibri dan Tahoma dengan ukuran dan spasi yang berbeda. Teknik Skew Detection and Correction Sebagai Alternatif Pemecahan Masalah Sebagai solusi untuk memperbaiki kesalahan pembacaan karakter yang diakibatkan oleh kemiringan dokumen maka perlu dibuat sebuah tool untuk mendeteksi derajat kemiringan citra, 120
10 kemudian angka derajat tersebut digunakan untuk memperbaiki posisi citra. Adapaun teknik yang digunakan adalah transformasi Hough.Dengan asumsi bahwa tiap koordinat pada citra dapat dibentuk garis lurus, maka transformasi Hough menjadi sebuah solusi yang bisa diandalkan. Koreksi dapat dilakukan untuk sebuah citra karakter secara kesulurahan atau bisa juga per-karakter. Teknik Analisis Teknik Analisis Korelasi Cara menghitung nilai korelasi menggunakan Matlab dengan menggunakan sintak Corr2(A,B), dimana A merupakan matriks dari citra template dan B meruapakan matriks dari citra input. Citra dengan nilai korelasi tertinggi ditentukan sebagai citra yang paling sesuai dengan template. Contoh tabulasi perhitungan seperti dalam contoh hasil perhitungan nilai korelasi untuk input angka 0 seperti di bawah ini. Tabel 1 Tabulasi Penentuan Nilai Korelasi Tertinggi Teknik Analisis Batas Sudut Kemiringan Untuk menentukan batas sudut kemiringan hasil pemindaian dokumen, yaitu dengan membuat tabulasi hasil pengenalan karakter optik untuk semua jenis huruf dengan pergeseran kemiringan dokumen per 1 ke arah kanan dan arah kiri hingga 10 o. Perubahan kemiringan cintra dengan menggunakan Matlab dengan sintak imrotate(a,angle), dimana A merupakan nama citra dan angle adalah besar sudut ke arah berlawanan dengan arah jam. HASIL DAN PEMBAHASAN Hasil Penelitian Penelitian yang dilakukan dalam pengenalan karakter optik (OCR) terhadap 5 tipe font telah menghasilkan data-data yang berbeda diantara masingmasing tipe font. Berikut adalah hasil uji coba terhadap masing-masing font yang disajikan berupa ilustrasi dalam gambar dan tabel. Hasil OCR Tipe Font Arial Tabel 2 Contoh Hasil Uji Coba OCR Font Arial dengan Kemiringan 0 o Template citra angka 0, yang berada pada urutan 36 dalam template, memiliki nilai korelasi tertinggi terhadap citra inputangka 0, dibanding template huruf/angka lainnya. Maka citra input 0 dibaca sebagai 0. Tabel 3 Daftar Hasil Pengujian OCR Font Arial Posisi Normal 121
11 Tipe Font Arial termasuk dalam tipe font sans serif atau karakter yang tidak bersirip. Kelemahan dari tipe font ini adalah bentuk citra hasil segmentasi untuk karakter huruf I dan l yang sama dan tidak berbentuk sehingga tidak mendapatkan hasil yang spesifik. Tabel 4 Daftar Hasil Pengujian OCR Font Arial Posisi Miring Ke Kanan Tipe Font Times New Roman termasuk tipe font serif atau karakter yang bersirip. Kelebihan dari tipe font ini adalah seluruh karakter dapat disegmentasi dengan baik. Berikut adalah hasil uji coba OCR terhadap tipe font Times New Roman dengan ukuran 12pt dan antar karakter terdapat jarak 1 spasi dengan posisi normal. Tabel 7 Daftar Hasil Pengujian OCR Font Times New Roman Dengan Posisi Miring Ke Kanan Dalam kondisi miring ke kanan sebesar 5 o, tipe font Arial masih terjaga akurasinya hingga 92%. Namun 5 karakter huruf mengalami kesalahan pengenalan yaitu untuk karakter B, I, i, l, dan w. Tabel 5 Daftar Hasil Pengujian OCR Font Arial Posisi Miring Ke Kiri Dalam kondisi miring ke kiri sebesar 5 o, tipe font Arial terjaga akurasinya hanya 89%. Namun mengalami penyimpangan karakter yang berbeda sebanyak 7 karakter yaitu I, W, X, Z, i, j, dan l. Dalam kondisi miring ke kanan, tipe font Times New Roman dapat terjaga akurasinya maksimal sebesar 2 o dengan akurasi sebesar 90%. Namun 5 karakter huruf mengalami kesalahan pengenalan yaitu untuk karakter huruf W, f, g, i, j, dan angka 1. Sedangkan seluruh karakter angka dapat dikenali dengan baik. Tabel 8 Daftar Hasil Pengujian OCR Font Times New Roman Dengan Posisi Miring Ke Kiri Hasil OCR Tipe Font Times New Roman Tabel 6 Daftar Hasil Pengujian OCR Font Times New Roman Posisi Normal Sedangkan dalam kondisi miring hingga 5 o ke kiri, tipe font Times New Roman terjaga akurasinya hingga 90%. 122
12 Namun mengalami penyimpangan karakter yang berbeda sebanyak 5 karakter yaitu huruf U, W, Z, n, dan angka 1, 0. Hasil OCR Tipe Font Calibri Tipe Font Calibri termasuk tipe font sans serif atau karakter yang tidak bersirip. Kelemahan dari tipe font ini sama dengan Arial adalah bentuk cintra hasil segmentasi untuk karakter I dan l yang sama dan tidak berbentuk sehingga tidak mendapatkan hasil yang spesifik. Namun dengan koreksi pada pemrograman Matlab masih dapat diakali dengan pendefinisian ulang. Berikut adalah hasil uji coba OCR terhadap tipe font Arial dengan ukuran 20pt dan antar karakter terdapat jarak 1 spasi denga posisi normal. Tabel 9 Daftar Hasil Pengujian OCR Font Calibri Dengan Posisi Normal Tabel 10 Daftar Hasil Pengujian OCR Font Calibri Dengan Posisi Miring Ke Kanan Tabel 11 Daftar Hasil Pengujian OCR Font Calibri Dengan Posisi Miring Ke Kiri Sedangkan dalam kondisi miring hingga 6 o ke kiri, tipe font Calibri terjaga akurasinya hingga 90%. Namun mengalami penyimpangan karakter yang berbeda sebanyak 7 karakter yaitu I, J, V, W, Z, dan l. Hasil OCR Tipe Font Tahoma Tipe Font Tahoma termasuk tipe font sans serif atau karakter yang tidak bersirip. Kelemahan dari tipe font ini adalah bentuk cintra hasil segmentasi untuk karakter huruf l karena tidak berbentuk sehingga tidak mendapatkan hasil yang spesifik. Namun dengan koreksi pada pemrograman Matlab masih dapat diakali dengan pendefinisian khusus l. Berikut adalah hasil uji coba OCR terhadap tipe font Tahoma dengan ukuran 20pt dan antar karakter terdapat jarak 1 spasi denga posisi normal. Tabel 12 Daftar Hasil Pengujian OCR Font Tahoma Dengan Posisi Normal Dalam kondisi miring hingga 5 o ke kanan, tipe font Calibri masih terjaga akurasinya hingga 90%. Namun 5 karakter huruf mengalami kesalahan pengenalan yaitu untuk karakter huruf I, J, S, W, l, i dan v. Tabel13 Daftar Hasil Pengujian OCR Font Tahoma Dengan Posisi Miring Ke Kanan 123
13 Dalam kondisi miring hingga 5 o ke kanan, tipe font Tahoma hanya terjaga akurasinya sebesar 79%. Terdapat 9 karakter huruf mengalami kesalahan pengenalan yaitu untuk karakter huruf B, S, U, V, Y, i, l, w, dan x. Tabel 14 Daftar Hasil Pengujian OCR Font Tahoma Dengan Posisi Miring Ke Kiri Dalam kondisi miring hingga 5 o ke kanan, tipe font Book Antiqua hanya terjaga akurasinya sebesar 90%. Terdapat 5 karakter huruf mengalami kesalahan pengenalan yaitu untuk karakter huruf I, J, h, l, dan x. Tabel17 Daftar Hasil Pengujian OCR Font Book Antiqua Dengan Posisi Miring Ke Kiri Dalam kondisi miring 5 o ke kiri, tipe font Tahoma terjaga akurasinya sebesar 87%. Namun mengalami penyimpangan karakter yang berbeda sebanyak 7 karakter huruf yaitu U, W, X, Z, i, l, y dan angka 0. Hasil OCR Tipe Font Book Antiqua Tipe Font Book Antiqua termasuk tipe font serif atau karakter yang bersirip. Berikut adalah hasil uji coba OCR terhadap tipe font Book Antiqua dengan ukuran 20pt dengan posisi normal. Dalam kondisi miring 5 o ke kiri, tipe font Book Antiqua terjaga akurasinya sebesar 85%. Namun mengalami penyimpangan karakter yang berbeda sebanyak 8 karakter huruf yaitu F, I, T, V, X, Z, w, y dan angka 0. Rekapitulasi Hasil OCR Semua Tipe Font Berikut ini adalah tabulasi rekapitulasi hasil OCR dari seluruh font yang digunakan, yaitu sebagai berikut: Tabel 18 Rekapitulasi hasil OCR dari seluruh font Tabel 15 Daftar Hasil Pengujian OCR Font Book Antiqua Dengan Posisi Normal Tabel16 Daftar Hasil Pengujian OCR Font Book Antiqua Dengan Posisi Miring Ke Kanan PEMBAHASAN Berdasarkan hasil penelitian di atas, terdapat beberapa penyimpangan yang akan dibahas berikut ini, yaitu: Kesalahan Baca Yang Diakibatkan Oleh Tidak Mendapatkan Nilai Koefisien Korelasi Dari hasil pengujian tipe font dengan posisi normal atau 0 o terdapat beberapa tipe font salah baca yang diakibatkan oleh tidak diperolehnya nilai koefisien korelasi (r) pada tipe-tipe font sans serif atau tidak bersirip, yaitu 124
14 karakter I dan l pada font arial, calibri dan tahoma, serta l pada font tahoma. Seperti contoh hasil penelitian pada font Arial di bawah ini. Setelah melalui proses pengolahan citra, karakter-karakter I dan l dengan luas piksel sebesar 42 x 24 memiliki nilai 1 pada seluruh pikselnya, seperti contoh karakter I untuk font arial pada gambar di bawah ini: Gambar 8 Citra Karakter Huruf I dalam tipe font Arial Jika kita membandingkan karakter tersebut dan karakter template dengan menggunakan rumus koefisien korelasi maka akan mendapatkan hasil yang sama, seperti diuraikan di bawah ini: Artinya: dalam hal ini merupakan rerata dari A yaitu 1 m adalah jumlah baris dan n adalah jumlah kolom Tabel 19 Ilustrasi Penjumlahan Dalam Rumus Koefisien Korelasi Pada penelitian ini semua karakter disamakan ukurannya menjadi 42 x 24 piksel, sehingga jika diuraikan dalam bentuk tabel maka akan terdapat baris penjumlahan, dimana setiap piksel memiliki nilai 1. Dengan nilai rerata A sebesar 1 maka apabila masing-masing nilai pada piksel A jika dikurangi rerata dari A maka akan menghasilkan nilai 0. Nilai 0 jika dikali dengan nilai apapun dari template B maka akan menghasilkan 0, kemudian dihitung dengan akar kuadrat maka akan menghasilkan nilai 0 juga. Akhirnya mengingat pembagi dari rumus tersebut adalah 0 maka hasil dari perhitungan koefisien korelasi menghasilkan nilai tak terhingga, sehingga karakter-karakter tersebut tidak dapat didefinisikan sebagai karakter tertentu. Namun akan berbeda hasilnya apabila citra dalam posisi miring, misalnya citra input font arial dalam posisi miring ke kanan sebesar 1 o saja, maka karakter tersebut di atas akan mendapatkan nilai koefisien korelasi walaupun secara pembacaan masih salah baca, seperti I dan l dibaca sebagai f. (lihat contoh di bawah ini) Tabel 20 Hasil Uji Coba OCR Arial dengan Kemiringan 1 o 125
15 Kesalahan Baca Yang Diakibatkan Oleh Kemiripan Antar Karakter Pada karakter tipe font serif atau bersirip terdapat kesalahan baca yang diakibatkan oleh kemiripan antar karakter yaitu karakter angka 1 dan huruf l pada font Times New Roman serta huruf I dan huruf l pada font book antiqua. Secara visual dalam uji coba font Times New Roman seperti tidak ada yang salah, namun sebenarnya terdapat salah baca karakter yaitu angka 1(satu) dibaca huruf l (baca: el kecil) sehingga dalam posisi normal akurasi OCR hanya 98%. Nilai korelasi antar karakter tersebut dapat dilihat dari perbandingan hasil segmentasi citra angka 1 (satu) dengan citra template angka 1 dan huruf l menggunakan perintah corr2(a,b) pada Matlab sebagai berikut: Tabel 21 Tabel Nilai Korelasi Pada Karakter Angka 1 dan Huruf l Berdasarkan hasil pencarian nilai korelasi antara citra input angka 1 dengan template ternyata huruf l pada template mempunyai nilai korelasi lebih tinggi dibandingkan angka 1, maka komputer membaca citra input angka 1 sebagai huruf l. Demikian pula pada uji coba font book antiqua seperti tidak ada yang salah, namun sebenarnya terdapat karakter yang salah baca yaitu huruf I dibaca menjadi l sehingga dalam posisi normal akurasi OCR hanya 98%. Nilai korelasi antar karakter tersebut dapat dilihat dari perbandingan hasil segmentasi huruf I dengan template dengan menggunakan perintah corr2(a,b) pada Matlab sebagai berikut: Tabel 22 Tabel Nilai Korelasi Pada Karakter Huruf I dan l Berdasarkan hasil pencarian nilai korelasi antara citra input huruf I dengan template ternyata huruf l pada template mempunyai nilai korelasi lebih tinggi dibandingkan huruf I pada template, maka komputer membaca huruf I sebagai huruf l. Kesalahan Baca Yang Diakibatkan Oleh Kegagalan Segmentasi Citra Karakter Hasil uji coba pada citra dalam kondisi miring terdapat kesalahan baca yang diakibatkan oleh kegagalan segmentasi citra karakter, yaitu dua karakter terbaca menjadi satu karakter pada font serif ata bersirip yaitu font Times New Roman pada karakter fg dibaca m dan ij dibaca U dengan posisi miring 2 o ke kanan, serta Book Antiqua pada karakter IJ dibaca u dengan posisi miring 5 o ke kanan. Gambar 9 Hasil Segmentasi Font Times New Roman 2 o ke kanan 126
16 Gambar 10 Hasil Segmentasi Font Book Antiqua 5 o ke kanan Kegagalan segmentasi karakter akan lebih terjaga pada kondisi spasi antar karakter yang lebih renggang, terbukti dengan uji coba font Times New Roman dengan 1 spasi antar karakter dalam posisi 2 o ke kanan (lihat Tabel 4.8) Pada tabel di atas huruf f, g, i dan j dapat dibaca dengan baik, walaupun masih terdapat kegagalan baca pada karakter huruf yang lain. Demikian juga dengan font Book Antiqua seperti yang diuji pada citra dengan ukuran 20pt dengan 1 spasi antar karakter dalam posisi miring 5 o ke kanan (lihat Tabel 4.26) Walaupun akurasi masih belum optimal, namun dengan uji coba tersebut memperlihatkan bahwa huruf yang sebelumnya mengalamai gagal segmentasi dapat dihindari yaitu karakter huruf IJ dapat terbaca dengan benar. Implikasi Penelitian Berdasarkan hasil uji coba terhadap tipe-tipe font berjenis serif dan sans serif dalam berbagai ukuran dan kemiringan ke kanan dan ke kiri maka dapat ditentukan beberapa implikasi sebagai berikut: Tipe Font Yang Menghasilkan Akurasi Terbaik Dalam Proses OCR Keberhasilan dalam pengenalan karakter optik (OCR) diawali dengan keberhasilan dalam segmentasi citra karakter. Dalam kondisi normal atau posisi kemiringan 0 o maka seluruh karakter tipe font berjenis serif atau bersirip, yaitu Times New Roman dan Book Antiqua, berhasil disegmentasi per karakter sehingga berpotensi untuk dapat dikenali dengan baik. Namun dalam kondisi miring ternyata tipe font sans serif, yaitu Arial, Calibri dan Tahoma, lebih unggul dalam hal akurasi pengenalan karakter. Sedangkan khusus untuk karakter angka saja, dengan kemiringan citra hingga 5 o ke arah kanan maupun kiri maka seluruh tipe font mempunyai keunggulan yang sama yaitu 100% terbaca dengan benar. Tipe Font Yang Menghasilkan Akurasi Terburuk Dalam Proses OCR Dalam kondisi normal atau posisi kemiringan 0 o maka tipe font berjenis sans serif atau tidak bersirip, yaitu Arial, Calibri dan Tahoma, memiliki kelemahan khususnya pada huruf I dan l. Hal ini diakibatkan adanya kegagalan dalam proses awal pengolahan citra khususnya dalam segmentasi karakter. Solusi agar mendapatkan akurasi yang lebih baik maka dapat merubah pendefinisian karakter yang tidak dikenal sebagai I untuk pembacaan karakter tipe font Arial seperti di bawah ini: Tabel 23 Koreksi Pemrograman Namun dalam posisi miring, maka tipe font berjenis serif atau bersirip cukup rentan dalam pengenalan karakter, sebagai contoh huruf Times New Romans memiliki batas sudut kemiringan 2 o dengan akurasi minimal 90%. Perbaikan OCR dengan Deteksi Sudut Kemiringan dan Koreksi Kemiringan Citra Karakter Sebagai solusi untuk memperbaiki kesalahan pembacaan karakter yang diakibatkan oleh kemiringan dokumen pada sudut tertentu maka perlu dibuat 127
17 sebuah tool untuk mendeteksi derajat kemiringan citra, kemudian angka derajat tersebut digunakan untuk memperbaiki posisi citra. Adapun salah satu teknik yang dapat digunakan adalah transformasi Hough. Dengan asumsi bahwa tiap koordinat pada citra dapat dibentuk garis lurus, makatransformasi Hough menjadi sebuah solusi yang bisa diandalkan. Namun dalam uji coba masih terdapat beberapa kelemahan yaitu dalam hal kecepatan proses deteksi dan koreksi dokumen yang cukup lama yaitu lebih dari 3 menit serta kegagalan pembacaan sudut sehingga koreksi tidak berhasil. PENUTUP Kesimpulan Berdasarkan hasil penelitian pengenalan karakter optik dengan menggunakan metode template matching correlation pada berbagai ukuran, spasi dan kemiringan dokumen maka dapat ditarik kesimpulan sebagai berikut: 1. Karakteristik masing-masing tipe font yang sudah diuji yaitu: a. Tipe Font Arial Tipe font Arial merupakan tipe font jenis sans serif yang memiliki kelemahan dalam OCR pada posisi normal untuk mengenali karakter huruf I dan l, karena memiliki anatomi yang sama dan tidak menghasilkan nilai koefisien korelasi. Batas sudut kemiringan hasil pemindaian dokumen untuk mencapai rata-rata akurasi minimal 90% yaitu sebesar 5 o ke kanan dan 5 o ke kiri. b. Tipe Font Times New Roman Tipe font Times New Roman merupakan tipe font berjenis serif tidak memiliki kelemahan dalam OCR pada posisi normal untuk mengenali karakter tertentu. Batas sudut kemiringan hasil pemindaian dokumen untuk mencapai rata-rata akurasi minimal 90% yaitu sebesar 2 o ke kanan 5 o ke kiri. c. Tipe Font Calibri Tipe font Calibri merupakan tipe font berjenis sans serif yang memiliki kelemahan dalam OCR pada posisi normal untuk mengenali karakter huruf I dan l, karena memiliki anatomi yang sama dan tidak menghasilkan nilai koefisien korelasi.batas sudut kemiringan hasil pemindaian dokumen untuk mencapai rata-rata akurasi minimal 90% yaitu sebesar 5 o ke kanan dan 6 o ke kiri. d. Tipe Font Tahoma Tipe font Tahoma merupakan tipe font berjenis sans serif yang memiliki kelemahan dalam OCR pada posisi normal untuk mengenali karakter huruf l saja, karena memiliki anatomi yang sama dan tidak menghasilkan nilai koefisien korelasi. Batas sudut kemiringan hasil pemindaian dokumen untuk mencapai rata-rata akurasi minimal 90% yaitu sebesar 4 o ke kanan dan 4 o ke kiri e. Tipe Font Book Antiqua Tipe font Book Antiqua merupakan tipe font berjenis serif tidak memiliki kelemahan dalam OCR pada posisi normal untuk mengenali karakter tertentu. Batas sudut kemiringan hasil pemindaian dokumen untuk mencapai rata-rata akurasi minimal 90% yaitu sebesar 5 o ke kanan dan 4 o ke kiri. 2. Dengan mempertimbangkan kelebihan dan kekurangan pada karakteristik masing-masing tipe font, maka yang dapat dianggap sebagai font yang paling optimal untuk OCR dalam kondisi miring adalah tipe font Arial dan Calibri dengan sudut kemiringan hingga 6 o. 128
18 3. Sebagai solusi untuk memperbaiki kesalahan pembacaan karakter yang diakibatkan oleh kemiringan dokumen pada sudut tertentu maka dapat dibuat sebuah tool untuk mendeteksi derajat kemiringan citra, kemudian angka derajat tersebut digunakan untuk memperbaiki posisi citra hingga menjadi normal. Saran Berdasarkan pembahasan dalam implikasi penelitian di atas, maka saran yang timbul adalah sebagai berikut: 1. Untuk menghasilkan akurasi terbaik dalam proses OCR maka perlu dilakukan penelitian lebih lanjut untuk jenis font sans serif seperti Arial, Calibri dan Tahoma sehingga dapat menghasilkan akurasi yang lebih baik lagi dalam posisi normal maupun miring. 2. Untuk menghindari akurasi yang rendah dalam OCR maka perlu dilakukan penelitian lebih lanjut dalam hal keberhasilan segmentasi karakter, terutama dalam keadaan miring. 3. Untuk mendapatkan akurasi yang baik dalam OCR pada posisi miring, maka perlu dibuat tool yang dapat mendeteksi kemiringan dan koreksi dokumen. Namun perlu dilakukan penelitian lebih lanjut sehingga proses deteksi dapat dilakukan dengan lebih cepat dan akurat. DAFTAR PUSTAKA Adhvaryu, R. V. (2013). Optical Character Recognition Using Template Matching (Alphabet & Numbers). International Journal of Computer Science Engineering and Information Technology Research (IJCSEITR), 3 (4), Away, G. A. (2010). The Shortcut of Matlab Programming. Bandung: Informatika. Bahri, R. S., & Maliki, I. (2012). Perbandingan Algoritma Template Matching dan Feature Extraction pada Optical Character Recognition. Jurnal Komputer dan Informatika (KOMPUTA), Chandarana, J., & Kapadia, M. (2014). Optical Character Recognition. International Journal of Emerging Technology and Advanced Engineering, 4 (5), Cheriet, M., Kharma, N., Liu, C.-L., & Suen, C. (2007). Character Recognition Systems: a guide for students and practitioner. Montreal: Wiley Interscience. CORREL function - Office Support. (2015). Diambil kembali dari Office Support: us/article/correl-function- 995dcef7-0c0a-4bed-a3fb- 239d7b68ca92 Fitriawan, H., Pucu, O., & Baptisa, Y. (2012). Identifikasi Plat Nomor Kendaraan Secara Off-Line Berbasis Pengolahan Citra dan Jaringan Syaraf Tiruan. Electrician: jurnal rekayasa dan teknologi elektro, 6 (2), Hartanto, S., Sugiharto, A., & Endah, S. N. (2012). Optical Character Recognition Menggunakan Algoritma Template Matching Correlation. Journal of Informatics and Technology, 1 (1), Kadir, A., & Susanto, A. (2013). Teori dan Aplikasi Pengolahan Citra. Yogyakarta: Andi Offset. 129
19 Kusrianto, A. (2004). Tipografi Komputer Untuk Desainer Grafis. Yogyakarta: Andi. MathWorks. (2015). Diambil kembali dari Matworks - MATLAB and Simulink for Technical Computing: Mohammad, F., Anarase, J., Shingote, M., & Ghanwat, P. (2014). Optical Character Recognition Implementation Using Pattern Matching. International Journal of Computer Science and Information Technologies, 5 (2), Supriyono, R. (2010). Desain Komunikasi Visual: teori dan aplikasi. Yogyakarta: Andi. Webopedia Terms. (2015). Diambil kembali dari Webopedia: Online Tech Dictionary for IT Professional: Nataliana, D., Anwari, S., & Hermawan, A. (2011). Pengenalan Plat Nomor Kendaraan Dalam Sebuah Citra Menggunakan Saraf Tiruan. Jurnal Informatika, 2 (3), 48. Patil, J. M., & Mane, A. P. (2013). Multi Font And Size Optical Character Recognition Using Template Matching. International Journal of Emerging Technology and Advanced Engineering, 3 (1), Rathore, M., & Kumari, S. (2014). Tracking Number Plate From Vechicle Using Matlab. International Journal in Foundation of Computer Science & Technology (IJFCST), 4 (3), Riva, D. A. (2013). Perancangan Aplikasi Konversi File Image Hasil Scan Menjadi Text Dengan Metode Feature Extraction. Pelita Informatika Budi Darma, V (3), Sianipar, R. (2013). Pemrograman Matlab dalam contoh dan penerapan. Bandung: Informatika. 130
BAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Citra (image) sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh
Lebih terperinciPENGENALAN TEKS CETAK PADA CITRA TEKS BINER
PENGENALAN TEKS CETAK PADA CITRA TEKS BINER Iwan Donal Paska Manurung Achmad Hidayatno Budi Setiyono Abstrak : Salah satu topik khusus pengolahan citra digital dibidang analisa citra adalah pengenalan
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada perkembangan teknologi informasi yang sangat pesat, dokumen penting masih tetap mutlak diperlukan dan dijaga keutuhannya. Huruf merupakan suatu elemen utama yang
Lebih terperinciSISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON
30 BAB IV SISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON 4.1 Gambaran Umum Sistem Diagram sederhana dari program yang dibangun dapat diilustrasikan dalam diagram konteks berikut. Gambar
Lebih terperinciBAB 1 PENDAHULUAN. memindahkan data secara manual ke dalam komputer untuk dapat diolah lebih
BAB 1 PENDAHULUAN 1.1 Latar Belakang Teknologi yang terus berkembang membuat sistem komputerisasi bergerak dengan cepat, namun hal ini tidak seimbang dengan kemampuan manusia memindahkan data secara manual
Lebih terperinciRekognisi karakter optik merupakan salah satu aplikasi pengenalan pola yang
17 BAB II REKOGNISI KARAKTER NUMERIK 2.1 Gambaran Singkat Rekognisi Karakter Optik Rekognisi karakter optik merupakan salah satu aplikasi pengenalan pola yang dirancang untuk menerjemahkan teks baik berupa
Lebih terperinciAplikasi Pengolahan Citra Dalam Pengenalan Pola Huruf Ngalagena Menggunakan MATLAB
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Aplikasi Pengolahan Citra Dalam Pengenalan Pola Huruf Ngalagena Menggunakan MATLAB Dani Rohpandi 1), Asep Sugiharto 2),
Lebih terperinciPENGKONVERSIAN IMAGE MENJADI TEKS UNTUK IDENTIFIKASI PLAT NOMOR KENDARAAN. Sudimanto
Media Informatika Vol. 14 No.3 (2015) Abstrak PENGKONVERSIAN IMAGE MENJADI TEKS UNTUK IDENTIFIKASI PLAT NOMOR KENDARAAN Sudimanto Sekolah Tinggi Manajemen Informatika dan Komputer LIKMI Jl. Ir. H. Juanda
Lebih terperinciBAB 1 PENDAHULUAN. Saat ini, teknologi komputer telah berkembang dengan pesat dan telah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Saat ini, teknologi komputer telah berkembang dengan pesat dan telah banyak alat yang diciptakan untuk mendukung penggunaan komputer. Salah satu alat tersebut adalah
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah
BAB 3 METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Penelitian a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah sebagai berikut: 1) Prosesor Intel (R) Atom (TM) CPU N550
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pengenalan citra merupakan suatu ilmu yang berguna untuk melakukan klasifikasi berdasarkan ciri atau sifat-sifat dari suatu objek. OCR atau Optical Character
Lebih terperinciBAB 3 ANALISA DAN PERANCANGAN
44 BAB 3 ANALISA DAN PERANCANGAN 3.1 Analisa Analisa yang dilakukan terdiri dari : a. Analisa terhadap permasalahan yang ada. b. Analisa pemecahan masalah. 3.1.1 Analisa Permasalahan Pengenalan uang kertas
Lebih terperinciOleh: Riza Prasetya Wicaksana
Oleh: Riza Prasetya Wicaksana 2209 105 042 Pembimbing I : Dr. I Ketut Eddy Purnama, ST., MT. NIP. 196907301995121001 Pembimbing II : Muhtadin, ST., MT. NIP. 198106092009121003 Latar belakang Banyaknya
Lebih terperinciJournal of Informatics and Technology, Vol 1, No 1, Tahun 2012, p
OPTICAL CHARACTER RECOGNITION MENGGUNAKAN ALGORITMA TEMPLATE MATCHING CORRELATION Suryo Hartanto 1, Aris Sugiharto 2, dan Sukmawati Nur Endah 3 Jurusan Ilmu Komputer / Informatika Fakultas Sains dan Matematika
Lebih terperinciBAB 3 ANALISA DAN PERANCANGAN SISTEM
BAB 3 ANALISA DAN PERANCANGAN SISTEM 3.1 Analisa Program Aplikasi Dalam proses identifikasi karakter pada plat nomor dan tipe kendaraan banyak menemui kendala. Masalah-masalah yang ditemui adalah proses
Lebih terperinciPengenalan Huruf Pada Citra Digital Menggunakan Algoritma Template Matching
Pengenalan Huruf Pada Citra Digital Menggunakan Algoritma Template Matching Munjiat Setiani Asih, ST, M.Kom Jurusan Teknik Informatika Sekolah Tinggi Teknik Harapan Medan Jl. H.M. Joni No. 70C Medan 20152
Lebih terperinciBAB I PENDAHULUAN 1.2. Latar Belakang Permasalahan
BAB I PENDAHULUAN 1.1. Pendahuluan Sejak awal penemuan teknologi komputer sebagai lompatan mutakhir dalam dunia ilmu pengetahuan, komputer telah banyak berperan dalam membantu manusia dalam melakukan berbagai
Lebih terperinciPENGENALAN BILANGAN ARAB MENGGUNAKAN TEMPLATE MATCHING
Powered by TCPDF (www.tcpdf.org) PENGENALAN BILANGAN ARAB MENGGUNAKAN TEMPLATE MATCHING Muhammad Hanif Dwiadi¹, Sofia Naning Hertiana², Gelar Budiman³ ¹Teknik Telekomunikasi,, Universitas Telkom Abstrak
Lebih terperinciBAB 1 PENDAHULUAN. dengan proses pengolahan citra digital (digital image processing), dimana data berupa
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada awalnya, komputer hanya dapat digunakan untuk melakukan pemrosesan terhadap data numerik. Tetapi pada sekarang ini, komputer telah membawa banyak perubahan dan
Lebih terperinciJurnal Coding, Sistem Komputer Untan Volume 03, No.2 (2015), hal ISSN : x
IDENTIFIKASI TEKS DOKUMEN MENGGUNAKAN METODE PROFILE PROJECTION DAN TEMPLATE MATCHING [1] Erwin Wahyudi, [2] Dedi Triyanto, [3] Ikhwan Ruslianto [1][2][3] Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Bertambahnya jumlah mahasiswa dari tahun ke tahun di IT Telkom mengakibatkan semakin banyak buku buku Tugas Akhir yang dibuat. Dengan semakin banyaknya buku
Lebih terperinciBAB I PENDAHULUAN. kesuksesan dan mulai dikenal luas, menggantikan kepopuleran disk operating
1 BAB I PENDAHULUAN 1.1 Latar Belakang Sejak berkembangnya IBM-PC dan sistem operasi MS-DOS mendapatkan kesuksesan dan mulai dikenal luas, menggantikan kepopuleran disk operating system CP/M-80 yang telah
Lebih terperinciBAB I PENDAHULUAN BAB I PENDAHULUAN 1
BAB I PENDAHULUAN 1.1 Latar Belakang Keinginan menusia yang membutuhkan suatu sistem aplikasi yang dapat bekerja untuk membantu meringankan tugas-tugas mereka sehari-hari menjadi salah satu faktor yang
Lebih terperinciUKDW BAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Topik yang sering mendapat perhatian khusus dalam bidang Digital Image Processing adalah mengenai pengenalan pola (pattern recognition). Sistem pengenalan pola tidak
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM Dalam pengerjaan perancangan dan pembuatan aplikasi pengenalan karakter alfanumerik JST algoritma Hopfield ini menggunakan software Borland Delphi 7.0. 3.1 Alur Proses Sistem
Lebih terperinciPERBANDINGAN ALGORITMA TEMPLATE MATCHING DAN FEATURE EXTRACTION PADA OPTICAL CHARACTER RECOGNITION
Jurnal Komputer dan Informatika (KOMPUTA) 29 PERBANDINGAN ALGORITMA TEMPLATE MATCHING DAN FEATURE EXTRACTION PADA OPTICAL CHARACTER RECOGNITION Raden Sofian Bahri 1, Irfan Maliki 2 1,2 Program Studi Teknik
Lebih terperinciDETEKSI PLAT KENDARAAN MENGGUNAKAN HOG DAN LVQ. Muhammad Imron Rosadi 1
DETEKSI PLAT KENDARAAN MENGGUNAKAN HOG DAN LVQ Muhammad Imron Rosadi 1 Prodi Teknik Informatika, Universitas Yudharta Pasuruan Purwosari 67162 Pasuruan Jawa Timur 1 Email : Imron_uyp@yahoo.com ABSTRAK
Lebih terperinciDETEKSI DAN SEGMENTASI OTOMATIS DERET PADA CITRA METERAN AIR
DETEKSI DAN SEGMENTASI OTOMATIS DERET PADA CITRA METERAN AIR Naser Jawas STIKOM Bali Jl. Raya Puputan, No.86, Renon, Denpasar, Bali Email: naser.jawas@gmail.com ABSTRAK Meter air adalah sebuah alat yang
Lebih terperinciPENGUJIAN PENGENALAN KARAKTER PADA KTP MENGGUNAKAN METODE TEMPLATE MATCHING
PENGUJIAN PENGENALAN KARAKTER PADA KTP MENGGUNAKAN METODE TEMPLATE MATCHING Michael Ryan dan Novita Hanafiah School of Computer Science, Bina Nusantara, Jl. Kebon Jeruk Raya No. 27,Kebon Jeruk, Jakarta
Lebih terperinciIdentifikasi dan Kumulasi Pilihan Jawaban Responden Pada Kertas Lembar Jawaban Menggunakan Metoda Template Matching
Identifikasi dan Kumulasi Pilihan Jawaban Responden Pada Kertas Lembar Jawaban Menggunakan Metoda Template Matching Joko Risanto dan Zaiful Bahri Jurusan Matematika FMIPA Universitas Riau E-mail: jokorisanto@yahoo.co.id
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM. Dalam pengerjaan tugas akhir ini memiliki tujuan untuk mengektraksi
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Model Pengembangan Dalam pengerjaan tugas akhir ini memiliki tujuan untuk mengektraksi fitur yang terdapat pada karakter citra digital menggunakan metode diagonal
Lebih terperinciPengenalan Karakter Sintaktik menggunakan Algoritma Otsu dan Zhang-Suen
Pengenalan Karakter Sintaktik menggunakan Algoritma Otsu dan Zhang-Suen Yusfia Hafid Aristyagama (23214355) Electrical Engineering, Digital Media and Game Technology Institut Teknologi Bandung Bandung,
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Plat nomor kendaraan bermotor merupakan ciri atau tanda pengenal suatu kendaraan yang diberikan oleh kepolisian. Setiap plat nomor kendaraan memiliki kombinasi
Lebih terperinciImplementasi Metode Watershed Transformation Dalam Segmentasi Tulisan Aksara Bali Berbasis Histogram
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Implementasi Metode Watershed Transformation Dalam Segmentasi Tulisan Aksara Bali Berbasis Histogram Komang Budiarta,
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
48 BAB IV HASIL DAN PEMBAHASAN 4.1 Analisis Sistem Sistem yang akan dibangun dalam penelitian ini adalah Implementasi Algoritma Template Matching dan Feature Extraction untuk Pengenalan Pola Angka Untuk
Lebih terperinciIMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH
IMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH Fitri Afriani Lubis 1, Hery Sunandar 2, Guidio Leonarde Ginting 3, Lince Tomoria Sianturi 4 1 Mahasiswa Teknik Informatika, STMIK Budi Darma
Lebih terperinciAplikasi Pembesaran Citra Menggunakan Metode Nearest Neighbour Interpolation
Aplikasi Pembesaran Citra Menggunakan Metode Nearest Neighbour Interpolation Daryanto 1) 1) Prodi Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Jember Email: 1) daryanto@unmuhjember.ac.id
Lebih terperinciyang standar. Tugas akhir ini lebih berorientasi pada pengenalan fiturnya, sehingga pembahasan lebih ditekankan pada ekstraksi fitur bentuk geometri.
1 PENGENALAN KARAKTER TEKS MENGGUNAKAN METODE NEURAL NETWORK BACKPROPAGATION Titis Hayuning Widya Pramesti, email: titishayuning@gmail.com Jurusan Teknik Elektro, Fakultas Teknik Universitas Brawijaya
Lebih terperinciNama : Raden Septiana Faza NPM : Jurusan : Teknik Informatika Pembimbing 1 : Dr. Rodiah Pembimbing 2 : Fitrianingsih, Skom.
IMPLEMENTASI TRANSFORMASI RADON UNTUK PERBAIKAN SUDUT KEMIRINGAN HURUF PADA PROSES SEGMENTASI DAN PENGENALAN TULISAN TANGAN SAMBUNG OFFLINE MENGGUNAKAN MATLAB 2015A Nama : Raden Septiana Faza NPM : 55412851
Lebih terperinciPengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan
Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan Adhika Aryantio School of Electrical Engineering and Informatics Institute Technology of Bandung 10th Ganeca Street Bandung, Indonesia. Adhikaaryantio.x6@gmail.com
Lebih terperinciPENGARUH PEMAKAIAN EDGE DETECTION PADA SISTEM PENGENALAN HURUF KAPITAL TULISAN TANGAN
Jurnal Teknik dan Ilmu Komputer PENGARUH PEMAKAIAN EDGE DETECTION PADA SISTEM PENGENALAN HURUF KAPITAL TULISAN TANGAN (The Influence of Edge Detection Use on Capital Letter Hand Writing Recognition System)
Lebih terperinciOPTICAL CHARACTER RECOGNITION
Optical Character Recognition... OPTICAL CHARACTER RECOGNITION MENGGUNAKAN ALGORITMA TEMPLATE MATCHING CORRELATION Suryo Hartanto 1, Aris Sugiharto 2, dan Sukmawati Nur Endah 3 Jurusan Ilmu Komputer /
Lebih terperinciBAB III METODOLOGI PENELITIAN. Gambar 3.1 merupakan desain penelitian yang akan digunakan pada
BAB III METODOLOGI PENELITIAN 1.1. Desain Penelitian Gambar 3.1 merupakan desain penelitian yang akan digunakan pada proses pengenalan huruf tulisan tangan Katakana menggunakan metode Fuzzy Feature Extraction
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam dunia desain, mengenal dan mengidentifikasi jenis font adalah hal yang sangat penting karena dapat meningkatkan efektifitas dan produktifitas kerja para desainer.
Lebih terperinciPEMETAAN KISI KISI UJI KOMPETENSI DESAIN GRAFIS
PEMETAAN KISI KISI UJI KOMPETENSI DESAIN GRAFIS KISI KISI UKP DESAIN GRAFIS SKL (Permendikbud Tahun2016 Nomor 005) SKKNI DESAIN GRAFIS (KEPUTUSAN MENTERI TENAGA KERJA DAN TRANSMIGRASI REPUBLIK INDONESIA
Lebih terperinciPENGENALAN CITRA TULISAN TANGAN DOKTER DENGAN MENGGUNAKAN SVM DAN FILTER GABOR
PENGENALAN CITRA TULISAN TANGAN DOKTER DENGAN MENGGUNAKAN SVM DAN FILTER GABOR Angga Lisdiyanto (1), Lukman Zaman P.C.S.W (2) Teknik Informatika, Universitas Islam Lamongan (1) Teknik Informatika, Sekolah
Lebih terperinciBAB 2 LANDASAN TEORI. metode yang digunakan sebagai pengawasan kendaraan yang menggunakan pengenalan
BAB 2 LANDASAN TEORI 2.1 Automatic Number Plate Recognition Automatic Number Plate Recognition atau yang disingkat dengan ANPR adalah metode yang digunakan sebagai pengawasan kendaraan yang menggunakan
Lebih terperinciDewasa ini teknologi robotik dan informasi telah berkembang dengan cepat. Begitu
12 BAB I PENDAHULUAN 1.1 Latar Belakang dan Rumusan Masalah 1.1.1 Latar belakang Dewasa ini teknologi robotik dan informasi telah berkembang dengan cepat. Begitu juga kontrol berbasis sensor yang merupakan
Lebih terperinciPENERAPAN METODE MOST SIGNIFICANT BIT UNTUK PENYISIPAN PESAN TEKS PADA CITRA DIGITAL
Pelita Informatika Budi Darma, Volume : IV, Nomor:, Agustus 23 ISSN : 23-9425 PENERAPAN METODE MOST SIGNIFICANT BIT UNTUK PENYISIPAN PESAN TEKS PADA CITRA DIGITAL Harry Suhartanto Manalu (9259) Mahasiswa
Lebih terperinciPenggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah
Vol. 14, No. 1, 61-68, Juli 2017 Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah La Surimi, Hendra, Diaraya Abstrak Jaringan syaraf tiruan (JST) telah banyak diaplikasikan
Lebih terperinciPencarian File Teks Berbasis Content dengan Pencocokan String Menggunakan Algoritma Brute force
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Pencarian File Teks Berbasis Content dengan Pencocokan String Menggunakan
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih terperinciSISTEM PENGENALAN WAJAH MENGGUNAKAN WEBCAM UNTUK ABSENSI DENGAN METODE TEMPLATE MATCHING
SISTEM PENGENALAN WAJAH MENGGUNAKAN WEBCAM UNTUK ABSENSI DENGAN METODE TEMPLATE MATCHING Mohamad Aditya Rahman, Ir. Sigit Wasista, M.Kom Jurusan Teknik Elektronika, Politeknik Elektronika Negeri Surabaya
Lebih terperinciBAB I PENDAHULUAN. untuk meniru sistem visual manusia (human vision).
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi yang sangat cepat, terutama pada teknologi komputer sehingga membuat pekerjaan pengolahan data dapat ditangani dengan lebih cepat dan tepat.
Lebih terperinciAPLIKASI PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN ALGORITMA HAMMING DISTANCE
APLIKASI PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN ALGORITMA HAMMING DISTANCE Matheus Supriyanto Rumetna 1*, Marla Pieter, Monica Manurung 1 1 Fakultas Ilmu Komputer dan Manajemen, Universitas Sains
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Rancangan Penelitian Tulisan Tangan angka Jawa Digitalisasi Pre-Processing ROI Scalling / Resize Shadow Feature Extraction Output Multi Layer Perceptron (MLP) Normalisasi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Segmentasi citra (image segmentation) merupakan langkah awal pada proses analisa citra yang bertujuan untuk mengambil informasi yang terdapat di dalam suatu citra.
Lebih terperinciFitur Matriks Populasi Piksel Untuk Membedakan Frame-frame Dalam Deteksi Gerakan
Fitur Matriks Populasi Piksel Untuk Membedakan Frame-frame Dalam Deteksi Gerakan Teady Matius Surya Mulyana tmulyana@bundamulia.ac.id, teadymatius@yahoo.com Teknik Informatika Universitas Bunda Mulia Abstrak
Lebih terperinciBAB I PENDAHULUAN. pengetahuan yang sangat populer saat ini. Dengan ilmu pengetahuan ini, teknologi di
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Teknologi Informasi dan Komunikasi (TIK) merupakan suatu cabang ilmu pengetahuan yang sangat populer saat ini. Dengan ilmu pengetahuan ini, teknologi di dunia
Lebih terperinciAplikasi Jaringan Saraf Tiruan Sebagai Penterjemah Karakter Braille Ke Bentuk Abjad
The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Aplikasi Jaringan Saraf Tiruan Sebagai Penterjemah
Lebih terperinciBAB I PENDAHULUAN. tangan dijadikan alat untuk menganalisis kepribadian pemiliknya. Sebuah
BAB I PENDAHULUAN 1.1 Latar Belakang Tulisan tangan merupakan salah satu hal unik yang dapat dihasilkan oleh manusia selain tanda tangan. Seperti halnya tanda tangan, tulisan tangan juga dapat digunakan
Lebih terperinciBAB 1 PENDAHULUAN. Sistem Pakar (Expert System), Jaringan Saraf Tiruan (Artificial Neural Network), Visi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di era yang semakin maju ini, teknologi telah memegang peranan penting dalam kehidupan manusia sehari-hari, sehingga kemajuannya sangat dinantikan dan dinikmati para
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada era teknologi masa kini, komputer memiliki peran yang cukup besar dalam membantu mempermudah pekerjaan manusia. Fitur-fitur yang terdapat didalam komputer seperti
Lebih terperinciPengenalan Tulisan Tangan Dengan Menggunakan Metode Diagonal Feature Extraction dan K-Nearest Neighbour. Yustar Pramudana
Pengenalan Tulisan Tangan Dengan Menggunakan Metode Diagonal Feature Extraction dan K-Nearest Neighbour Yustar Pramudana Program Studi Teknik Informatika, Departemen Informatika Telkom University Jl. Telekomunikasi
Lebih terperinciBAB 2 LANDASAN TEORI
5 BAB 2 LANDASAN TEORI 2.1 Digital Image 2.1.1 Definisi Digital Image Menurut Gonzalez dan Woods (1992, p6), digital image adalah image f(x,y) yang telah dibedakan berdasarkan koordinat tata letak dan
Lebih terperinciIDENTIFIKASI NOMOR POLISI KENDARAAN BERMOTOR MENGGUNAKAN JARINGAN SYARAF TIRUAN SELF ORGANIZING MAPS (SOMS)
Powered by TCPDF (www.tcpdf.org) IDENTIFIKASI NOMOR POLISI KENDARAAN BERMOTOR MENGGUNAKAN JARINGAN SYARAF TIRUAN SELF ORGANIZING MAPS (SOMS) Inung Wijayanto¹, Iwan Iwut Tritoasmoro², Koredianto Usman³
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBAB I PENDAHULUAN. Pada zaman sekarang ini bagi sebagian masyarakat kendaraan bermotor
BAB I PENDAHULUAN 1.1 Latar Belakang Pada zaman sekarang ini bagi sebagian masyarakat kendaraan bermotor jenis mobil ataupun sepeda motor tidak lagi menjadi kebutuhan sekunder, melainkan telah menjadi
Lebih terperinciPENGENALAN HURUF KOMPUTER MENGGUNAKAN ALGORITMA BERBASIS CHAIN CODE DAN ALGORITMA SEQUENCE ALIGNMENT
PENGENALAN HURUF KOMPUTER MENGGUNAKAN ALGORITMA BERBASIS CHAIN CODE DAN ALGORITMA SEQUENCE ALIGNMENT Tjokorda Agung Budi Wirayuda 1, Syilvia Vaulin 2, Retno Novi Dayawati 3, Fakultas Teknik Informatika
Lebih terperinciAPLIKASI PEMBACAAN PLAT NOMOR KENDARAAN MENGGUNAKAN OPTICAL CHARACTER RECOGNITION (OCR)
APLIKASI PEMBACAAN PLAT NOMOR KENDARAAN MENGGUNAKAN OPTICAL CHARACTER RECOGNITION (OCR) Rusdi Efendi 1, EndinaPutriPurwandari 2, FauzanAzhmiSiregar 3 1,2,3 Program Studi Teknik Infomatika, Fakultas Teknik,
Lebih terperinciPENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH
PENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH Rikko Ismail Hardianzah 1), Bambang Hidayat 2), Suhardjo 3) 1),2) Fakultas Teknik
Lebih terperinciBAB II TINJAUAN PUSTAKA. yang revelan dengan penelitian yang akan. antara metode Kohonen Neural Network dengan metode Learning ng Vector
BAB II TINJAUAN PUSTAKA Pada Bab ini akan menjelaskan tentang teori-teori o i serta hasil penelitian yang revelan dengan penelitian yang akan an dilakukan. an. A. Tinjauan an Pustaka Prabowo, o, Sarwoko
Lebih terperinciMuhammad Zidny Naf an, M.Kom. Gasal 2015/2016
MKB3383 - Teknik Pengolahan Citra Pengolahan Citra Digital Muhammad Zidny Naf an, M.Kom. Gasal 2015/2016 CITRA Citra (image) = gambar pada bidang 2 dimensi. Citra (ditinjau dari sudut pandang matematis)
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis Sistem Dalam proses pembuatan suatu sistem mutlak dilakukan analisis terhadap sistem yang akan dibangun, analisis yang dilakukan untuk membangun aplikasi perbandingan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Pendahuluan
I-1 BAB I PENDAHULUAN Pada bab ini diuraikan mengenai latar belakang, rumusan masalah, tujuan, serta batasan masalah dari tugas akhir. Selain itu, bab ini juga memaparkan metodologi dan sistematika pembahasan
Lebih terperinciPENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Fakultas Teknologi Industri Institut
Lebih terperinciBINARISASI CITRA MENGGUNAKAN PENCOCOKAN PIKSEL
BINARISASI CITRA MENGGUNAKAN PENCOCOKAN PIKSEL Teady Matius Surya Mulyana Program Studi Teknik Informatika, Fakultas Teknik Dan Desain, Universitas Bunda Mulia, Jakarta e-mail : tmulyana@bundamulia.ac.id,
Lebih terperinciBAB 2 LANDASAN TEORI. Teknologi pengenalan teks merupakan teknologi yang mampu mengenali teks
BAB 2 LANDASAN TEORI 2.1 Pengenalan Teks Teknologi pengenalan teks merupakan teknologi yang mampu mengenali teks pada citra digital dan mengalihkannya pada dokumen digital. Aplikasi dari teknologi pengenalan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Digital Citra digital didefinisikan sebagai fungsi f(x,y) dua dimensi, dimana x dan y adalah koordinat spasial dan f(x,y) adalah disebut dengan intensitas atau tingkat keabuan
Lebih terperinciIDENTIFIKASI RAMBU-RAMBU LALU LINTAS MENGGUNAKAN LEARNING VECTOR QUANTIZATION
IDENTIFIKASI RAMBU-RAMBU LALU LINTAS MENGGUNAKAN LEARNING VECTOR QUANTIZATION RULIAH Program Studi Sistem Informasi Sekolah Tinggi Manajemen Informatika dan Komputer Banjarbaru Jl. A. Yani Km. 33,3 Loktabat
Lebih terperinciPENGENALAN KARAKTER PADA PLAT NOMOR KENDARAAN BERBASIS OPTICAL CHARACTER RECOGNITION MENGGUNAKAN METODE TEMPLATE MATCHING CORRELATION
PENGENALAN KARAKTER PADA PLAT NOMOR KENDARAAN BERBASIS OPTICAL CHARACTER RECOGNITION MENGGUNAKAN METODE TEMPLATE MATCHING CORRELATION Yoga Aldian Putra 1, Catur Supriyanto 2 1,2 Teknik Informatika, Fakultas
Lebih terperinciJURNAL PENGENALAN POLA KAKI O DAN KAKI X MENGGUNAKAN METODE BRAY-CURTIS DISTANCE
JURNAL PENGENALAN POLA KAKI O DAN KAKI X MENGGUNAKAN METODE BRAY-CURTIS DISTANCE Recognition pattern of foot o and foot x using method bray-curtis distance Oleh: FATHUL MU ARIF 12.1.03.02.0091 Dibimbing
Lebih terperinciIII. METODE PENELITIAN. menggunakan matlab. Kemudian metode trial dan error, selalu mencoba dan
III. METODE PENELITIAN 3.1. Metode Penelitian Metode penelitian yang dilakukan adalah dengan studi literatur, yaitu mencari sumber-sumber literatur yang menjadi dasar keilmuan dari penelitian yang dilakukan.
Lebih terperinci... BAB 2 LANDASAN TEORI. 2.1 Citra
6 BAB 2 LANDASAN TEORI 2.1 Citra Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar
Lebih terperinciBAB III PERANCANGAN SISTEM. tangan huruf vokal seperti terlihat pada gambar 3.1.
BAB III PERANCANGAN SISTEM 3.1 Alur Penelitian Perancangan sistem simulasi identifikasi dan pengenalan pola tulisan tangan huruf vokal seperti terlihat pada gambar 3.1. Pengambilan data Pre-processing
Lebih terperinciPENCARIAN CITRA BERDASARKAN BENTUK DASAR TEPI OBJEK DAN KONTEN HISTOGRAM WARNA LOKAL
Makalah Nomor: KNSI-472 PENCARIAN CITRA BERDASARKAN BENTUK DASAR TEPI OBJEK DAN KONTEN HISTOGRAM WARNA LOKAL Barep Wicaksono 1, Suryarini Widodo 2 1,2 Teknik Informatika, Universitas Gunadarma 1,2 Jl.
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Tidak semua manusia dilahirkan dalam keadaan sempurna. Beberapa dilahirkan dengan keadaan indra penglihatan yang tidak dapat berfungsi sama sekali. Sehingga
Lebih terperincioleh: M BAHARUDIN GHANIY NRP
oleh: M BAHARUDIN GHANIY NRP. 1202 109 022 Teknologi fotografi pada era sekarang ini berkembang sangat pesat. Hal ini terbukti dengan adanya kamera digital. Bentuk dari kamera digital pada umumnya kecil,
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini mulai dilaksanakan pada bulan September 2011 s/d bulan Februari
48 III. METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian ini mulai dilaksanakan pada bulan September 2011 s/d bulan Februari 2012. Pembuatan dan pengambilan data dilaksanakan di Laboratorium
Lebih terperinciSYSTEMIC Vol. 1, No. 1, Agustus 2015, PENGENALAN CATATAN PENJUALAN MENGGUNAKAN PENGENALAN ANGKA BERBASIS KORELASI.
SYSTEMIC Vol. 1, No. 1, Agustus 2015, 14-19 PENGENALAN CATATAN PENJUALAN MENGGUNAKAN PENGENALAN ANGKA BERBASIS KORELASI Ahmad Yusuf 1) 1) Fakultas Sains dan Teknologi, Universitas Islam Negeri Sunan Ampel
Lebih terperinciPERANCANGAN PENGENALAN PLAT NOMOR MELALUI CITRA DIGITAL DENGAN OPENCV
PERANCANGAN PENGENALAN PLAT NOMOR MELALUI CITRA DIGITAL DENGAN OPENCV Abdillah Komarudin 1401139432 Program Studi Sistem Komputer, Universitas Bina Nusantara, abdee_dillah@yahoo.com Ahmad Teguh Satria
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengolahan Citra Pengolahan citra (image processing) merupakan proses untuk mengolah pixel-pixel dalam citra digital untuk tujuan tertentu. Beberapa alasan dilakukan pengolahan
Lebih terperinciEkstraksi Fitur Perpotongan dan Lengkungan untuk Mengenali Huruf Cetak
Ekstraksi Fitur Perpotongan dan Lengkungan untuk Mengenali Huruf Cetak Limanyono Tanto 1,Liliana 2 Program Studi Teknik Informatika Fakultas Teknologi Industri Universitas Kristen Petra Jl. Siwalankerto
Lebih terperinciSistem Pembaca Teks Bahasa Indonesia Otomatis Menggunakan Kamera Web Dengan Metode Integral Proyeksi
Sistem Pembaca Teks Bahasa Indonesia Otomatis Menggunakan Kamera Web Dengan Metode Sigit Wasista, Siwi Dian Priyanti Jurusan Teknik Elektronika Politeknik Elektronika Negeri Surabaya- Institut Teknologi
Lebih terperinci1 BAB I PENDAHULUAN. Pengajaran yang diperoleh dari sekolah adalah pengenalan dan pemahaman akan
1 BAB I PENDAHULUAN 1.1 Latar Belakang Sejak lahir, balita masih belum mengenal apapun yang dilihatnya. Dalam pertumbuhannya, balita mulai dapat mengenali sesuatu. Proses pengenalan pada balita dengan
Lebih terperinciBAB 1 PENDAHULUAN. bahasanya, digunakannya berbagai macam huruf dengan kepentingannya masing-masing
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Bahasa Arab menggunakan beragam jenis karakter untuk sistem penulisan bahasanya, digunakannya berbagai macam huruf dengan kepentingannya masing-masing benar
Lebih terperinciBAB 1 PENDAHULUAN. Dewasa ini, lahan parkir menjadi kebutuhan utama pengguna kendaraan,
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dewasa ini, lahan parkir menjadi kebutuhan utama pengguna kendaraan, terutama di kota-kota besar. Pada tempat-tempat yang ramai dikunjungi, untuk memudahkan dokumentasi
Lebih terperinciKLASIFIKASI HURUF KATAKANA DENGAN METODE TEMPLATE MATCHING CORRELATION
KLASIFIKASI HURUF KATAKANA DENGAN METODE TEMPLATE MATCHING CORRELATION Rezki Trianto 1, Ni Nengah Dewi Merdekawati 2, Rizkie Purnama Shakti Nugraha 3, Dita Nur Yuni Astiti 4, Happy Gagas Tri Atmojo 5 Jurusan
Lebih terperinciUNIVERSITAS BINA NUSANTARA ANALISIS DAN PERANCANGAN SISTEM PENGENAL KARAKTER PADA PLAT NOMOR KENDARAAN BERMOTOR DENGAN PENDEKATAN LOGIKA FUZZY
UNIVERSITAS BINA NUSANTARA ANALISIS DAN PERANCANGAN SISTEM PENGENAL KARAKTER PADA PLAT NOMOR KENDARAAN BERMOTOR DENGAN PENDEKATAN LOGIKA FUZZY Josua Napitupulu 0800737821 Daniel Marshall 0800749020 Mahargono
Lebih terperinciIMPLEMENTASI OPTICAL CHARACTER RECOGNITION (OCR) DENGAN PENDEKATAN METODE STRUKTUR MENGGUNAKAN EKSTRAKSI CIRI VEKTOR DAN REGION
IMPLEMENTASI OPTICAL CHARACTER RECOGNITION (OCR) DENGAN PENDEKATAN METODE STRUKTUR MENGGUNAKAN EKSTRAKSI CIRI VEKTOR DAN REGION Mirza Trilaksono¹, M. Ramdhani², Achmad Rizal³ ¹Teknik Telekomunikasi,, Universitas
Lebih terperinci