BAB II TINJAUAN PUSTAKA

Transkripsi

1 7 BAB II TINJAUAN PUSTAKA 2.1. Image Preprocessing Masalah umum pada tahap awal proses preprocessing OCR adalah menyesuaikan orientasi area teks. Baris teks seharusnya sejajar dengan batas gambar. Pada bagian ini kami menyajikan sebuah algoritma memecahkan masalah ini. Pentingnya tahap preprocessing dari sistem pengenalan karakter terletak pada kemampuannya. Untuk memperbaiki beberapa masalah yang mungkin terjadi karena beberapa faktor. Tingkat pengenalan, penting untuk memiliki tahap preprocessing yang efektif, menggunakan algoritma preprocessing yang efektif membuat sistem OCR lebih kuat terutama melalui peningkatan kualitas gambar yang akurat, noise removal, thresholding gambar, condong deteksi/koreksi, segmentasi halaman, segmentasi karakter, normalisasi karakter (Bieniecky, et al., 2012). Teknik preprocessing dibutuhkan pada gambar dokumen warna, abuabu atau gambar biner berisi teks atau grafik. Dalam sistem pengenalan karakter sebagian besar aplikasi gunakan gambar abu-abu atau biner karena memproses gambar berwarna secara komputasi yang lebih sulit. Seperti itu gambar mungkin juga mengandung latar belakang atau tanda air yang tidak seragam sehingga menyulitkan ekstrak dokumen teks dari gambar tanpa melakukan beberapa preprocessing, karena itu hasil yang diinginkan dari preprocessing adalah gambar biner yang hanya berisi teks (Alginahi, 2013). Pada bagian image preprocessing dilakukan proses grayscalinge dan thresholding. Pada bagian ini diharapkan menghasilkan citra biner yang nantinya menjadi masukan pada tahap berikutnya tahap feature extraction Grayscaling Proses grayscaling mengubah citra berwarna menjadi hitam putih dengan mengubah warna setiap komponen RGB gambar menjadi bernilai sama. Proses threshold digunakan untuk mengekstrak foreground (tinta) dari background

2 8 (kertas) dan mengubah menjadi citra biner. Proses Thresholding mengubah warna gambar menjadi citra biner (binary image) dimana ditentukan sebuah nilai level threshold kemudian piksel yang memiliki nilai di bawah level threshold diset menjadi warna putih (0 pada nilai biner) dan nilai di atas nilai threshold diset menjadi warna hitam (1 pada nilai biner). Konversi citra berwarna menjadi grayscale merupakan tahapan awal dalam image preprocessing. Pada proses grayscaling, citra yang pada awalnya terdiri dari 3 layer matriks, yaitu R-layer, G-layer, dan B-layer akan diubah menjadi 1 layer matriks dan hasilnya adalah citra grayscale yang hanya memiliki derajat keabuan. Untuk mengubah citra berwarna, fungsi yang digunakan adalah ARGB_8888 yaitu mendefinisikan nilai alpha channel, merah, hijau, dan biru yang kemudian dapat dirumuskan dengan persamaan di bawah agar menjadi citra dengan derajat keabuan...(1) Dengan format warna ini dihasilkan citra grayscale dengan intensitas keabuan yang dipengaruhi oleh variabel warna merah hijau, dan biru Global Thresholding Metode Otsu Threshold adalah proses membagi gambar ke background dan latar depan. Hasil lambang adalah hitam atau putih. Pada teknik pengolahan citra, ambang batas dapat dikelompokkan menjadi lambang global dan lokal. Kinerja hasil ambang batas, ambang adaptif atau lokal menghasilkan hasil yang lebih baik dibandingkan dengan global ambang batas. Nilai ambang T memainkan peran penting, baik pixel yang diputaruntuk background atau foreground itu tergantung nilainya. Pengingat dari bagian ini dibahas tiga metode untuk menemukan nilai threshold T (maksudnya, median dan OTSU) (Razali, et al., 2014) Metode OTSU diperkenalkan oleh Nobuyuki Otsu. OTSU ambang batas adalah keputusan tingkat binariasi otomatis berdasarkan Histogram. Tujuan dari algoritma ini adalah untuk menemukan nilai threshold T yang meminimalkan varians dalam kelas tertimbang. Ini kemudian menghitungnilai ambang optimal

3 9 yang meminimalkan bobot di kelas varians dari dua kelas ini. Ini terbukti secara matematis meminimalkan varians dalam kelas sama dengan memaksimalkan antara varian kelas Metode OTSU telah diterapkan di percobaan sebelumnya, namun hasil segmentasi ternyata tidak mampu untuk mengelompokkan seluruh gigi. Pada proses selanjutnya citra akan berubah menjadi citra biner yang hanya mempunyai dua kemungkinan nilai yaitu 0 untuk hitam dan 1 untuk putih. Pada proses ini tiap piksel pada citra akan diklasifikasikan berdasarkan ambang batas tertentu, jika nilai piksel kurang dari ambang batas, maka piksel tersebut akan bernilai 0. Namun, jika nilai piksel lebih dari atau sama dengan ambang batas, maka piksel tersebut akan bernilai 1. Dalam proses binerisasi citra ini menggunakan global thresholding metode Otsu dengan tujuan untuk membagi histogram citra gray ke dalam dua daerah yang berbeda secara otomatis tanpa membutuhkan masukan nilai ambang batas. Probabilitas setiap piksel pada level ke-i dapat dinyatakan sebagai berikut. (2) = jumlah piksel pada level ke-i N = total piksel pada citra Dalam menentukan nilai ambang batas pada metode Otsu, ada beberapa hal yang perlu diketahui, nilai zeroth cumulative moment, first cumulative moment, dan nilai mean berturut-turut dapat dinyatakan dengan rumus berikut (Putra, 2004). ( ) ( )...(3) Nilai ambang k dapat ditentukan dengan memaksimumkan persamaan ( ) ( ) dengan ( ) ( ) ( ) ( ) ( ) (4) Gambar proses penerapan Threshold Metode Otsu dapat dilihat pada gambar 2.1 di bawah ini.

4 10 2.2Optical Character Recognition ( OCR ) Optical Character Recognition atau yang biasa disebut dengan OCR adalah suatu proses pengkonversian dari scanned image menjadi editable text. Editable text didapatkan dari sebuah scanned image yang bisa saja diambil dari hasil pemotretan atau juga hasil scan gambar yang kemudian dimasukkan kedalam komputer. Scanned image ini terdiri dari satu kesatuan konten-konten yang nantinya akan dipilah menjadi konten-konten tersendiri. Teknologi ini membuat sebuah mesin dapat mengenali sebuah teks secara otomatis (Mithe, et al., 2012). OCR memungkinkan untuk mengedit teks, mencari kata atau frase, dan menerapkan teknik seperti mesin penerjemahan, text-to-speech dan text mining. OCR biasa digunakan untuk bidang penelitian dalam pengenalan pola, kecerdasan buatan (artificial intelligent) dan computer vision. Sistem OCR memerlukan kalibrasi untuk membaca font yang spesifik versi awal harus diprogram dengan gambar karakter masing-masing, dan bekerja pada satu font pada suatu waktu (Rakshit, et al., 2009). Gambar 2.1 Proses sebelum dan sedudah metode OTSU Menurut Patel et.al (2012) hal ini dapat diumpamakan seperti kombinasi antara mata dan pikiran dari tubuh manusia. Sebuah mata yang dapat melihat teks yang terdapat pada suatu gambar dan secara langsung otak kita akan memproses mengekstrak teks tersebut dari gambar dan dibaca oleh mata. Konten-konten yang telah terkarakteristik kemudian dilakukan proses pengenalan dengan mengubahnya menjadi kode-kode karakter seperti ASCII atau Unicode lainnya. Setelah proses ini, konten-konten yang terdapat pada image tersebut yang sebelumnya tidak dapat di-edit akan menjadi karakter-karakter yang dapat di-edit ataupun juga di proses untuk keperluan selanjutnya seperti melakukan

5 11 perhitungan pada karakter-karakter numerik. Secara garis besar proses OCR dapat dijelaskan pada gambar 2.2 GAMBAR Image Preprocessing Segmentasi Ekstraksi Fitur Pengenalan Text Gambar 2.2 Proses OCR (Aprilia 2012) Didalam OCR, gambar yang berisi karakter yang ingin dikenali dilakukan preprocessing. Preprocessing adalah proses menghilangkan konten-konten yang tidak diinginkan seperti noise dan juga untuk memperbaiki kualitas gambar agar lebih mudah dikenali. Dalam tahap pertama preprocessing dilakukan grayscalling. Grayscalling adalah mengubah gambar yang berwarna menjadi gambar yang hanya memiliki derajat keabuan saja. Selanjutnya dalam tahap kedua dilakukan noise filtering, yaitu proses mengurangi atau mereduksi noise yang ada pada gambar. Noise yang terlalu banyak dapat mengurangi keakuratan dalam pengenalan karakter. Dan tahap terakhir dari preprocessing yaitu thresholding. Thresholding memisahkan konten yang akan dikenali dengan background dengan mengubah gambar menjadi hitam putih. Dengan berakhirnya tahap thresholding maka tahap preprocessing selesai dilakukan. Tahap selanjutnya adalah segmentasi. Segmentasi melakukan pemisahan karakter yang berarea besar menjadi area yang lebih kecil seperti suatu kalimat menjadi kata-kata, dan kata menjadi karakter. Setelah dilakukan segmentasi maka dilakukan normalisasi. Normalisasi mengubah karakter karakter hasil segmentasi menjadi suatu karakter yang memiliki karakterisitik yang telah ditentukan, seperti dimensi region dan ketebalan karakter. Setelah proses normalisasi dilakukan maka

6 12 selanjutnya dilanjutkan pada tahap ekstraksi fitur. Ekstraksi fitur dilakukan untuk mendapatkan karakteristik khas yang dimiliki oleh tiap-tiap karakter. Dan tahap akhir dalam proses OCR ini adalah recognition, dimana dilakukannya pengenalan dengan cara membandingkan ciri-ciri fitur yang ingin dikenali dengan data yang telah tersimpan sebelumnya sesuai dengan algoritma pengenalan yang dipakai. Hasil perbandingan yang miriplah yang kemudian keluar menjadi suatu hasil pengenalan berupa teks Tesseract OCR Engine Mesin OCR Tesseract adalah salah satu dari 3 mesin teratas dalam Tes Akurasi UNLV Antara tahun 1995 dan 2006, hanya ada sedikit aktivitas di Tesseract, sampai open-source oleh HP dan UNLV di tahun 2005.Mesin Tester Oter Tesseract awalnya dikembangkan untuk bahasa Inggris, sejak itu diperluas untuk mengenal Prancis, Italia, Jerman, Spanyol dan Belanda. Ini memiliki kemampuan untuk melatih bahasa dan skrip lain juga. Algoritma yang digunakan dalam berbagai tahap mesin sesuai dengan alfabet bahasa Inggris, yang membuatnya lebih mudah untuk mendukung skrip lain yang secara struktural serupa dengan hanya melatih kumpulan karakter dari skrip baru (Hasanat, 2013) Arsitektur Tesseract OCR Pada arsitekturnya, Tesseract OCR menyatakan input yang diterima merupakan sebuah binary image. Secara umum arsitektur Tesseract OCR dapat dilihat pada Gambar 2.3.

7 13 Gambar 2.3Arsitektur Tesseract OCR Setelah mengasumsikan bahwa input merupakan binary image proses dilanjutkan pada Page Layout Analysis dimana analisis dilakukan pada komponen terhubung (Connected Component) untuk menemukan dimana outline komponen disimpan (Aprilia, 2012). Outlines komponen yang telah disimpan dikumpulkan bersama untuk membentuk blob. Blob adalah kawasan gambar yang saling berlengketan. Blob ini lalu disusun menjadi suatu barisan teks, sedangkan garis dan region di analisa untuk pitch tetap dan teks proporsional (Aprilia, 2012). Teks dengan pitch tetap dipecah menjadi sel-sel karakter. Teks proporsional dibagi menjadi kata-kata dengan menggunakan ruang pasti dan ruang fuzzy. Selanjutnya pengenalan kata image dilakukan pada dua tahap yang disebut dengan pass-two (Smith, 2007). Pass pertama dilakukan untuk mengenali masing-masing kata.

8 14 Kata-kata yang melewati pass pertama adalah kata-kata yang cocok dengan kamus dan diteruskan pada adaptif classifier untuk selanjutakan dipakai sebagai data pelatihan. Setelah sampel mencukupi, classifier adaptif ini juga dapat memberikan hasil klasifikasi bahkan pada pass pertama (Aprilia, 2012). Kata-kata yang mungkin kurang dikenali atau terlewat pada pass pertama akan dilanjutkan pada proses pass two. Pada kondisi ini classifier adaptif yang telah mendapatkan informasi lebih pada pass pertma akan lebih dapat mengenali kata yang terlewatkan atau kurang dikenali sebelumnya Pengenalan Karakter oleh Tesseract Menurut Smith (2007) beberapa langkah yang dilakukan oleh Tesseract untuk pengenalan karakter adalah sebagai berikut : Pencarian Teks line dan kata a. Line finding Algoritma Line finding dirancang untuk dapat mengenali halaman miring tanpa harus melalui proses de-skew, hingga tidak menurunkan kualitas gambar (Smith, 2007). Kunci dari proses ini adalah filterisasi blob dan Line constructing mengasumsikan analisa tata letak halaman telah mendapatkan daerah teks yang memiliki ukuran teks yang seragam, filter presentasi ketinggian sederhana menghilangkan drop-caps dan garis vertikal yang menyentuh karakter. Rata tengah dari tinggi mendekati dari besar teks di dalam daerah tersebut, sehingga aman untuk menyaring blobs yang lebih kecil dari beberapa pecahan dari rata-rata tengah, seperti tanda baca dan juga noise. Filterisasi blob lebih cocok kepada pemodelan non-overlapping, paralel, tetapi sloping lines (Smith, 2007). Penyortingan dan pemrosessan pada blob oleh kordinat-x memungkinkan untuk menentukan blob menjadi text line yang unik, sementara pelacakan kemiringan di sepanjang halaman, dengan sangat mengurangi kesalahan menempatkan text line yang salah didalam kemiringan. Setelah blob yang di filter disejajarkan pada garis, rata tengah terakhir dari squares fit digunakan untuk memperkirakan baselines, dan blob yang telah difilter akan dipasang kembali ke line yang tepat.

9 15 Filterisasi blob lebih cocok kepada pemodelan non-overlapping, paralel, tetapi sloping lines (Smith, 2007). Penyortingan dan pemrosesan pada blob oleh kordinat-x memungkinkan untuk menentukan blob menjadi text line yang unik, sementara pelacakan kemiringan di sepanjang halaman, dengan sangat mengurangi kesalahan menempatkan text line yang salah didalam kemiringan. Setelah blob yang di filter disejajarkan pada garis, rata tengah terakhir dari squares fit digunakan untuk memperkirakan baselines, dan blob yang telah difilter akan dipasang kembali ke line yang tepat. b. Baseline Fitting Setelah text lines ditemukan, garis pangkal (baselines) dicocokkan dengan lebih tepat menggunakan quadratic splines. Hal inilah merupakan hal baru dalam sistem OCR, dimana tesseract memungkinkan dapat menangani halaman dengan baseline yang miring. Baseline dicocokkan dengan partisi blob kedalam sebuah kelompok perpindahan yang cukup berkelanjutan baseline lurus yang asli. Sebuah quadratic spline dicocokkan pada partisi yang paling padat (diasumsikan sebagai baseline). Kelebihan dari Quadratic Spline terletak dari kemampuan berhitungnya yang stabil, namun memiliki kelemahan yaitu diskonitinuitas dapat muncul pada beberapa saat segmen spline diperlukan. Gambar 2.4Contoh fitted baseline c. Chopping Pada bagian ini, baris karakter yang berhasil diidentifikasi akan dilakukan proses chopping atau dipisahkan untuk tiap karakternya agar proses pengenalan karakter menjadi lebih akurat. Akan tetapi, syarat dari proses pemisahan karakter adalah jarak antarkarakter terdeteksi dengan jarak yang tetap atau fixed pitch detection, jika jarak antarkarakter tidak tetap atau non-fixed pitch detection, maka

10 16 akan dicari dulu ambang batas jarak antarkarakter untuk menentukan karakter yang terhubung dan karakter yang terpisah. Adapun contoh pemisahan karakter dapat dilihat pada gambar 2.5. Gambar 2.5Contoh pemisahan karakter Pengenalan Karakter dan Kata Bagian dari proses pengenalan pada pengenalan segala karakter adalah dengan mengidentifikasi bagaimana sebuah kata atau karakter disegmentasi menjadi karakter atau simbol-simbol (Aprilia, 2012). Hasil akhir dari segmentasi awal akan diklasifikasikan sisa terakhir dari proses ini hanya dilakukan pada teks yang non fixed-pitch. a. Pemisahan Karakter terhubung Apabila hasil dari pemisahan kata tidak memuaskan, Tesseract akan berusaha untuk memisahkan blob dengan kemugkinan terburuk dari classifier karakter (Smith, 2007). Kandidat dari titik potong di dapat dari simpul cekung dari pendekatan poligonal outline, dan dapat saja ditemukan simpul cekung lainnya dari titik yang berlawanan, atau garis segmen. Untuk karakter ASCII setidaknya menghabiskan sampai 3 pasang titik pemotongan untuk memisahkan karakter yang terhubung. Titik pemotongan dapat dilihat pada gambar 2.6. Gambar 2.6 Titik Pemotongan Karakter(Smith 2007) Pada gambar menampilkan sebuah set dari kandidat titik dengan panah dan pemisahan yang terpilih sebagai garis yang menelusuri outline dimana karakter r bersentuhan dengan karakter m. Pemotongan dilakukan Pada gambar menampilkan sebuah set dari kandidat titik dengan panah dan pemisahan

11 17 yang terpilih sebagai garis yang menelusuri outline dimana karakter r bersentuhan dengan karakter m. Pemotongan dilakukan. b. Menyatukan Karakter yang Rusak Ketika pemotongan yang dilakukan tidak mendapatkan hasil yang tepat, kata atau karakter masih belum cukup, maka akan diberikan kepada associator. Associator ini membuat pencarian A* (terbaik pertama) dari graph segmentasi untuk kombinasi yang memungkinkan dari pemotongan blob maksimal menjadi kandidat karakter. Hasil pencarian A* dengan menarik kandidat state baru dari antrian prioritas dan mengevaluasi kandidat dengan mengklasifikan kombinasi fragmen yang belum terklasifikasi dapat dilihat pada Gambar 2.7. Gambar 2.7Kata yang Mudah di kenali(smith 2007) Dengan segmentasi A* ini membuat tesseract dapat dengan mudah mengenali karakter yang rusak seperti pada gambar. 2.3 String Matching Pengertian String Matching String matching adalah pencarian sebuah pattern pada sebuah teks (Cormen, T.H. et al. 1994). String matching digunakan untuk menemukan suatu string yang disebut dengan pattern dalam string yang disebut dengan teks (Charras, C. & Lecroq, T. 1997). Prinsip kerja algoritma string matching (Effendi, D. et al. 2013) adalah sebagai berikut: 1. Memindai teks dengan bantuan sebuah window yang ukurannya sama dengan panjang pattern. 2. Menempatkan window pada awal teks. 3. Membandingkan karakter pada window dengan karakter dari pattern. Setelah pencocokan (baik hasilnya cocok atau tidak cocok) dilakukan pergeseran ke kanan pada window. Prosedur ini dilakukan berulang-ulang

12 18 sampai window berada pada akhir teks. Mekanisme ini disebut mekanisme sliding window. Algoritma string matching mempunyai tiga komponen utama (Effendi, D. et al. 2013), yaitu: 1. Pattern, yaitu deretan karakter yang akan dicocokkan dengan teks, dinyatakan dengan [0 m 1], panjang pattern dinyatakan dengan m. 2. Teks, yaitu tempat pencocokan pattern dilakukan. Dinyatakan dengan [0 n 1], panjang teks dinyatakan dengan n. 3. Alfabet, berisi semua simbol yang digunakan oleh bahasa pada teks dan pattern, dinyatakan dengan dengan ukuran dinyatakan ASIZE Cara kerja String Matching Cara yang jelas untuk mencari pattern yang cocok dengan teks adalah dengan mencoba mencari di setiap posisi awal dari teks dan mengabaikan pencarian secepat mungkin jika karakter yang salah ditemukan (Knuth, D.E. et al. 1977). Proses pertama adalah menyelaraskan bagian paling kiri dari pattern dengan teks. Kemudian dibandingkan karakter yang sesuai dari teks dan pattern. Setelah seluruhnya cocok maupun tidak cocok dari pattern, window digeser ke kanan sampai posisi (n m + 1) pada teks. Menurut Singh, R. & Verma, H.N. (2011), efisiensi dari algoritma terletak pada dua tahap: 1. Tahap praproses, tahap ini mengumpulkan informasi penuh tentang pattern dan menggunakan informasi ini pada tahap pencarian. 2. Tahap pencarian, pattern dibandingkan dengan window dari kanan ke kiri atau kiri ke kanan sampai kecocokan atau ketidakcocokan terjadi. Dengan sebuah nilai karakter (m < n) yang akan dicari dalam teks. Dalam Algoritma pencocokan string, teks diasumsikan berada di dalam memori, sehingga bila kita mencari string di dalam sebuah arsip, maka semua isi arsip perlu dibaca terlebih dahulu kemudian disimpan di dalam memori. Jika pattern muncul lebih dari sekali di dalam teks, maka pencarian hanya akan memberikan keluaran berupa lokasi pattern ditemukan pertama kali(wulan, 2011).

13 Klasifikasi Algoritma String Matching Algoritma string matching dapat diklasifikasikan menjadi tiga bagian menurut arah pencariannya (Charras, C. & Lecroq, T. 1997), yaitu: 1. From left to right dari arah yang paling alami, dari kiri ke kanan, yang merupakan arah untuk membaca. Algoritma yang termasuk dalam kategori ini adalah Algoritma Brute Force, Algoritma Morris dan Pratt yang kemudian dikembangkan menjadi Algoritma Knuth-Morris-Pratt. 2. From right to left dari arah kanan ke kiri, arah yang biasanya menghasilkan hasil terbaik secara partikal. Contoh algoritma ini adalah Algoritma Boyer-Moore, yang kemudian banyak dikembangkan menjadi Algoritma Tuned Boyer-Moore, algoritma Turbo Boyer-Moore, Algoritma Zhu Takaoka dan Algoritma Horspool 3. Dari arah yang ditentukan secara spesifik oleh algoritma tersebut, arah ini menghasilkan hasil terbaik secara teoritis. Algoritma yang termasuk kategori ini adalah Algoritma Colussi dan Algoritma Crochemore-perrin.

14 Algoritma Horspool Algoritma Boyer-Moore (BM) memposisikan pola pada karakter paling kiri. Dalam teks dan mencoba untuk mencocokkannya dari kanan ke kiri. Jika tidak terjadi ketidakcocokan, maka pola telah ditemukan. Jika tidak, algoritma menghitung pergeseran, jumlah dengan yang polanya dipindahkan ke kanan sebelum upaya pencocokan baru dilakukan.pergeseran ini bisa dihitung dengan dua heuristik. Pertandingan heuristik dan kemunculannya heuristis. Dalam tulisan ini kami hanya mempertimbangkan yang kedua; Ini terdiri dari menyelaraskan yang terakhir. Ketidakcocokan karakter dalam teks dengan karakter pertama dari pola pencocokannya.penyederhanaan diajukan pada tahun 1980 oleh Horspool. Untuk memaksimalkan rata-rata pergeseran setelah ketidakcocokan, karakternya dibandingkan dengan karakter terakhir dari pola dipilih untuk penyelarasan. Ini juga menyiratkan itu perbandingan dapat dilakukan dalam urutan apapun (kiri-ke-kanan, kanan-ke-kiri, acak. Hasil empiris menunjukkan bahwa versi yang lebih sederhana ini sama baiknya dengan algoritma aslinya.kode untuk Algoritma BayerMoore-Horspool sangat sederhana dan mudah Algoritma Horspool mempunyai nilai pergeseran karakter yang paling kanan dari window. Pada tahap observasi awal (preprocessing), nilai shift akan dihitung untuk semua karakter. Pada tahap ini, dibandingkan pattern dari kanan ke kiri hingga kecocokan atau ketidakcocokan pattern terjadi. Karakter yang paling kanan pada window digunakan sebagai indeks dalam melakukan nilai shift. Dalam kasus ketidakcocokan (karakter tidak terdapat pada pattern) terjadi, window digeser oleh panjang dari sebuah pattern. Jika tidak, window digeser menurut karakter yang paling kanan pada pattern (Baeza-Yates, R.A. & Regnier, M. 1992) Pencarian Dengan Algoritma Horspool Terdapat dua tahap pada pencocokan string menggunakan algoritma Horspool (Singh, R. & Verma, H.N. 2011), yaitu: 1. Tahap praproses

15 21 Pada tahap ini, dilakukan observasi pattern terhadap teks untuk membangun sebuah tabel bad-match yang berisi nilai shift ketika ketidak cocokan antara pattern dan teks terjadi. Secara sistematis, langkah-langkah yang dilakukan algoritma Horspool pada tahap praproses adalah: a. Algortima Horspool melakukan pencocokan karakter ter-kanan pada pattern. b. Setiap karakter pada pattern ditambah ke dalam tabel bad-match dan dihitung nilai shift-nya. c. Karakter yang berada pada ujung pattern tidak dihitung dan tidak dijadikan karakter ter-kanan dari karakter yang sama dengannya. d. Apabila terdapat dua karakter yang sama dan salah satunya bukan karakter terkanan, maka karakter dengan indeks terbesar yang dihitung nilai shift-nya. e. Algoritma Horspool menyimpan panjang dari pattern sebagai panjang nilai shift secara default apabila karakter pada teks tidak ditemukan dalam pattern. f. Nilai (value) shift yang akan digunakan dapat dicari dengan perhitungan panjang dari pattern dikurang indeks terakhir karakter dikurang 1, untuk masing-masing karakter, value=m 1. Sebagai contoh, dapat dilihat pada Tabel 2.1 berikut. Pattern: PELATIH P E L A T I H Tabel 2.1 Bad-Match Pada Praproses Karakter Index Value P 0 6 E 1 5 L 2 4 T 3 3 I 5 1 * - - Value =7-0-1= 6 Value =7-1-1= 5 Value =7-2-1= 4 Value =7-3-1= 3 Value =7-5-1= 1 *: Karakter yang tidak dikenali

16 22 2. Tahap pencarian Secara sistematis, langkah-langkah yang dilakukan algoritma Horspool pada tahap praproses adalah: a. Dilakukan perbandingan karakter paling kanan pattern terhadap window. b. Tabel bad-match digunakan untuk melewati karakter ketika ketidakcocokan terjadi. c. Ketika ada ketidakcocokan, maka karakter paling kanan pada window berfungsi sebagai landasan untuk menentukan jarak shift yang akan dilakukan. d. Setelah melakukan pencocokan (baik hasilnya cocok atau tidak cocok) dilakukan pergeseran ke kanan pada window. e. Prosedur ini dilakukan berulang-ulang sampai window berada pada akhir teks atau ketika pattern cocok dengan teks. Untuk menggambarkan rincian algoritma, akan diberikan contoh kasus dimana pattern P = PRATAMA dan teks T = DHIWA ARIEPRATAMA. Inisialisasi awal dan pembuatan bad-match terlihat pada Tabel 2.2 dan Tabel 2.3 berikut. Tabel 2.2Inisialisasi awal bad-match m T D H I W A A R I E P R A T A M A P P R A T A M A I Tabel 2.3Pembuatan Bad-match P P R A T M * I V Seperti yang terlihat pada Tabel 2.2 di atas, inisialisasi awal bad-match dilakukan. Setiap teks dan pattern masing-masing diberi nilai m dan i, dimana m sebagai panjang pattern dan i sebagai indeks. Tabel 2.3 menunjukkan nilai pergeseran bad-match dengan menghitung nilai v seperti yang telah dilakukan pada Tabel 2.1. Pada tahap awal pencarian, dilakukan perbandingan karakter

17 23 paling kanan pattern terhadap window. Apabila terjadi ketidak cocokan, akan dilakukan pergeseran ke kanan untuk melewati karakter yang tidak cocok dimana nilai pergeserannya terdapat pada tabel bad-match. Karakter paling kanan teks pada window berfungsi sebagai landasan untuk menentukan jarak geser yang akan dilakukan. Hal ini terlihat pada Tabel 2.4 berikut. Tabel 2.4Iterasi Algoritma Horspool Pertama m T D H I W A A R I E P R A T A M A P P R A T A M A I Terdapat ketidakcocokan seperti yang terlihat pada Tabel 2.4. Karakter A adalah karakter paling kanan teks pada window. Pada tabel bad-match, nilai geser karakter A adalah 4. Maka, dilakukan pergeseran ke kanan pada window sebanyak 4 kali. Hal ini terlihat pada Tabel 2.5. Tabel 2.5Iterasi Algoritma Horspool Kedua m T D H I W A A R I E P R A T A M A P P R A T A M A I Pada Tabel 2.5, terdapat ketidak cocokan kembali antara karakter P dan A. Pada tabel bad-match, nilai geser karakter R adalah 6. Maka, dilakukan pergeseran ke kanan pada window sebanyak 6 kali. Hal ini terlihat pada Tabel 2.6. Tabel 2.6Iterasi Algoritma Horspool Ketiga m T D H I W A A R I E P R A T A M A P P R A T A M A I Pada Tabel 2.6, window telah berada pada akhir teks dan semua pattern cocok dengan teks. Seluruh pencocokan karakter menggunakan algoritma Horspool telah selesai dan berhenti pada iterasi ketiga.

18 Huruf Jepang Jenis Katakana Huruf Jepang memiliki beberapa jenis huruf yaitu Hiragana, Katakana, Kanji dan Roomaji. Tentu saja ke semua jenis huruf itu memiliki perbedaan dalam bentuk huruf dan penggunaanya. Dalam penelitian ini menitik beratkan pada huruf Katakana saja Huruf Katakana Di jaman dahulu huruf Katakana hanya digunakan oleh kaum lelaki, oleh karena itu bentuk hurufnya lurus-lurus. Digunakan untuk kata-kata yang berasal dari bahasa asing yang kemudian diserap menjadi bahasa Jepang. Misalnya nama orang asing, nama negara dan kota asing (kecuali China dan Korea) dan bendabenda dari negara asing. Selain itu juga digunakan untuk menulis onomatope (bentuk kata yang menirukan suatu bunyi/suara, baik dari manusia, hewan atau benda Huruf Dasar Katakana Huruf dasar Katakana dapat dilihat pada gambar 2.8 di bawah ini : Gambar 2.8 Huruf Dasar Katakana

19 Huruf Tambahan Katakana Huruf tambahan Katakana dapat dilihat pada gambar 2.9 di bawah ini : Gambar 2.9 Huruf Tambahan Katakana

20 Huruf Gabungan Katakana Huruf gabungan Katakana dapat dilihat pada gambar 2.10 di bawah ini : Gambar 2.10 Huruf Gabungan Katakana