APLIKASI ANDROID PENERJEMAH BAHASA NON-LATIN ... - … · diterjemahkan ke dalam bahasa Inggris,...

APLIKASI ANDROID PENERJEMAH BAHASA NON-LATIN

DENGAN PENGENALAN CITRA KARAKTER

ADI KIRANA WIJAYAJATI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2015

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Aplikasi Android

Penerjemah Bahasa non-Latin dengan Pengenalan Citra Karakter adalah benar

karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam

bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang

berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari

penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di

bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada

Institut Pertanian Bogor.

Bogor, April 2015

Adi Kirana Wijayajati

NIM G64124041

ABSTRAK

ADI KIRANA WIJAYAJATI. Aplikasi Android Penerjemah Bahasa non-Latin

dengan Pengenalan Citra Karakter. Dibimbing oleh KARLINA KHIYARIN

NISA.

Bahasa dengan karakter nonlatin merupakan bahasa yang sulit untuk

dipelajari karena penulisannya yang relatif rumit. Beberapa bahasa yang

menggunakan karakter nonlatin antara lain Arab, Cina (sederhana), Rusia, Jepang,

Korea, dan Thailand. Pada penelitian ini, suatu sistem pengenalan karakter

nonlatin berbasis Android dirancang untuk mengenali citra karakter nonlatin

menggunakan Tesseract library OCR (Optical Character Recognition) dan

menerjemahkannya menjadi bahasa Indonesia dan Inggris menggunakan

Microsoft Translator. OCR adalah teknik untuk mengubah teks nondigital

menjadi teks digital atau dapat diartikan sebagai pengenalan karakter optik. Pada

penelitian ini terdapat 8 kebutuhan fungsional, yaitu memilih bahasa asal,

mengambil citra menggunakan kamera dan memotongnya, mengambil citra

melalui galeri, melakukan konversi dari citra ke teks, mengedit teks nonlatin hasil

OCR, memilih bahasa tujuan, menampilkan hasil terjemahannya, dan me-reset

aplikasi. Berdasarkan 650 contoh karakter nonlatin yang terdiri dari 5 bahasa telah

diuji, nilai akurasi terbaik yang didapat adalah 95.03% pada kondisi pencahayaan

normal. Adapun faktor-faktor yang dapat mempengaruhi akurasi tersebut antara

lain: intensitas cahaya, kemiringan, fokus, dan penulisan secara vertikal. Evaluasi

usability menghasilkan nilai 82.4%.

Kata Kunci: Android, citra, nonlatin, OCR, teks, Tesseract.

ABSTRACT

ADI KIRANA WIJAYAJATI. Android Application Language Interpreter with

Recognition of non-Latin Character Image. Supervised by KARLINA

KHIYARIN NISA.

Languages with nonlatin characters are more difficult to learn because the

writing is relatively complicated. Some languages that use nonlatin characters are

Chinese (simplified), Russian, Japanese, Korean, and Thai. In this study, a

nonlatin character recognition system based on Android is designed to recognize

the image of nonlatin characters using the Tesseract library OCR (Optical

Character Recognition) and translated into Bahasa Indonesia and English. OCR is

a technique to convert nondigital text into digital text. In this study, there were 8

functional requirements which are choosing origin language, taking image with a

camera and cropping, taking an image from the gallery, converting an image to

text, editing nonlatin text of OCR result, choosing target language, displaying the

translation, and resetting. Based on 650 examples of nonlatin characters that

consisted of 5 languages that have been tested, the best accuracy for the result is

95.03% on normal light. Factors that effect the accuracy are the intensity of light,

tilted text, motion bluring, and vertical writing. The value of usability evaluation

is 82.4%.

Keywords: Android, image, nonlatin, OCR, Tesseract, text.

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer

pada

Departemen Ilmu Komputer



ADI KIRANA WIJAYAJATI


FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM


BOGOR

2015

Penguji: 1 Dr Ir Agus Buono, MSi MKom

2 Muhammad Asyhar Agmalaro, SSi MKom

Judul Skripsi : Aplikasi Android Penerjemah Bahasa non-Latin dengan

Pengenalan Citra Karakter

Nama : Adi Kirana Wijayajati

NIM : G64124041

Disetujui oleh

Karlina Khiyarin Nisa, SKom MT

Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom

Ketua Departemen

Tanggal Lulus:

PRAKATA

Alhamdulillahi rabbil ‘alamin, puji syukur penulis panjatkan ke hadirat

Allah subhanahu wa Ta'ala atas berkat, rahmat, taufik, dan hidayah-Nya sehingga

penyusunan skripsi yang berjudul Aplikasi Android Penerjemah Bahasa non-Latin

dengan Pengenalan Citra Karakter dapat diselesaikan dengan baik. Sholawat serta

salam semoga selalu tercurahkan kepada Nabi Muhammad shalallahu 'alaihi

wassallam beserta keluarga, sahabat, dan para pengikutnya yang telah

memberikan contoh dalam meraih kebahagiaan di dunia dan akhirat.

Terima kasih penulis ucapkan kepada orang tua penulis, ayahanda tercinta

Purwoto yang selalu menjadi inspirasi kebijaksanaan dalam tutur dan laku

penulis. Ibunda Morita, yang tak pernah lelah memberikan motivasi wejangan,

doa, cinta, dan kasih sayang dalam mendidik. Dosen pembimbing Ibu Karlina

Khiyarin Nisa, SKom MT atas waktu, ilmu, kesabaran, nasihat, dan masukan yang

selalu diberikan selama pengerjaan tugas akhir ini, Bapak Dr Ir Agus Buono, MSi

MKom dan Bapak Muhammad Asyhar Agmalaro, SSi MKom selaku penguji atas

waktu, masukan, dan koreksinya. Serta teman-teman Ilmu Komputer alih jenis

angkatan 7 atas pengalaman berbagi ilmu serta atas kebersamaan dan

dukungannya selama penulis menjalani waktu di Departemen Ilmu Komputer

IPB.

Semoga karya ilmiah ini bermanfaat.

Bogor, April 2015

Adi Kirana Wijayajati

DAFTAR ISI

DAFTAR TABEL vi

DAFTAR GAMBAR vi

DAFTAR LAMPIRAN vi

PENDAHULUAN 1

Latar Belakang 1

Perumusan Masalah 2

Tujuan 2

Manfaat Penelitian 2

Ruang Lingkup Penelitian 2

METODE 2

Pengumpulan Data 3

Analisa Pengenalan Karakter 3

Penerjemahan Karakter non-Latin 4

Perancangan Aplikasi 4

Implementasi 4

Pengujian 5

Evaluasi 5

HASIL DAN PEMBAHASAN 5

Pengumpulan Data 5

Analisa Pengenalan Karakter 6

Penerjemahan Karakter non-Latin 11

Perancangan Aplikasi 12

Implementasi 15

Pengujian 16

Evaluasi 19

SIMPULAN DAN SARAN 20

Simpulan 20

Saran 20

DAFTAR PUSTAKA 21

LAMPIRAN 22

RIWAYAT HIDUP 47

DAFTAR TABEL

1 Data uji citra karakter nonlatin 6

2 Rancangan antarmuka pengguna 15 3 Implementasi sistem 16 4 Pengujian sistem menggunakan metode black box 17 5 Skenario pengujian 17 6 Contoh pengujian karakter Cina (sederhana) 18

7 Akurasi pada masing-masing skenario 18 8 Contoh pengujian penerjemahan 19 9 Klasifikasi penarikan kesimpulan hasil evaluasi usability 19

10 Evaluasi usability 20

DAFTAR GAMBAR

1 Metode penelitian 3

2 Alur kerja Tesseract OCR Engine 3 3 Diagram alur Grayscaling 7 4 Ilustrasi Gaussian Smoothing 2 dimensi 8

5 Algoritme Otsu 9

6 Identifikasi outline 10 7 Contoh fitted baseline 10 8 Contoh pemisahan karakter 11

9 Use case diagram 12 10 Activity diagram 14

DAFTAR LAMPIRAN

1 Pengujian pengenalan karakter dan terjemahannya 22 2 Lembar kuesioner dengan tanggapan responden 44

PENDAHULUAN

Latar Belakang

Bahasa merupakan protokol dalam berkomunikasi, penggunaan bahasa

yang sesuai sangat penting dalam terciptanya komunikasi untuk mengirim

maupun menerima pesan yang akan diolah menjadi informasi. Namun, dalam

pengaplikasiannya sangat sulit untuk mengetahui pesan yang yang disampaikan

secara tertulis dan menggunakan bahasa dengan karakter nonlatin seperti Cina,

Jepang, Korea, Rusia, dan Thailand.

Dalam proses pembelajarannya, untuk mengenali dan menerjemahkan

karakter nonlatin yang kita jumpai cukup sulit. Hal ini dikarenakan proses

menterjemahkan memerlukan masukan berupa teks dengan karakter nonlatin.

Untuk mengatasi masalah tersebut, teknik optical character recognition (OCR)

dapat dimanfaatkan. OCR merupakan teknik pengenalan karakter optik yang

berfungsi untuk mengubah karakter teks nondigital menjadi teks dalam bentuk

digital. Namun, dalam implementasinya diperlukan suatu perangkat mobile untuk

menjalankan teknik pengenalan karakter optik agar proses pengenalan karakter

nonlatin dapat dilakukan di mana saja dan kapan saja, misalnya ketika sedang

melakukan perjalanan pariwisata ke negara yang menggunakan karakter nonlatin

sebagai huruf resmi negara tersebut.

Android merupakan sistem operasi mobile phone open source yang

berbasis Linux menggunakan bahasa pemograman Java. Selain mendukung

pengembangan standar terbuka pada perangkat mobile. Adapun fitur pendukung

yang disediakan oleh Android agar memudahkan pengembang untuk

mengembangkan aplikasi antara lain: storage, network, multimedia, GPS, dan

phone service (Fajaruddin 2011).

Pada penelitian ini akan menghasilkan suatu aplikasi pengenalan karakter

nonlatin dan menerjemahkannya ke dalam karakter latin pada bahasa Indonesia

dan Inggris. Tidak seperti aplikasi Android lainnya, misal Word Lens yang hanya

mendukung bahasa Rusia sebagai bahasa dengan karakter nonlatin untuk

diterjemahkan ke dalam bahasa Inggris, pada aplikasi yang akan dibangun juga

mendukung bahasa dengan karakter nonlatin lainnya, yaitu Cina (sederhana),

Jepang, Korea, dan Thailand untuk nantinya diterjemahkan ke dalam bahasa

Inggris dan Indonesia. Pada proses pengenalan karakter nonlatin diperlukan suatu

library OCR open source, yaitu Tesseract. Mesin OCR yang berbasis bahasa

pemrograman C/C++ ini akan diterapkan pada perangkat Android dengan

menggunakan bahasa pemrograman Java. Pada penelitan sebelumnya, tesseract

OCR engine menghasilkan akurasi yang cukup besar, yaitu 96.33% (Smith 2007).

Dengan mengaplikasikan Tesseract OCR Engine, penelitian ini diharapkan

menghasilkan akurasi yang besar pula. Sedangkan dalam proses penerjemahan

dilakukan secara online menggunakan Microsoft Translator. Penggunaan

Microsoft Translator didasarkan pada tingkat akurasi dalam penerjemahan yang

lebih tinggi dibandingkan kompetitor utamanya yaitu Google translate (Goodman

2014). Penelitian ini juga melakukan evaluasi usability menggunakan kuesioner

yang meliputi learnability, efficiency, memorability, errors, dan satisfaction.

2

Perumusan Masalah

Perumusan masalah pada penelitian ini antara lain:

1 Bagaimana Tesseract OCR engine dapat diterapkan dalam pengenalan

citra karakter nonlatin pada perangkat Android?

2 Seberapa besar keakuratan Tesseract OCR engine dalam mengenali

karakter nonlatin?

3 Bagaimana pengaruh intensitas cahaya, kemiringan, fokus, dan penulisan

karakter secara vertikal terhadap keakuratan pengenalan karakter?

4 Bagaimana hasil evaluasi usability melalui kuesioner kepada pengguna?

Tujuan

Tujuan pada penelitian ini antara lain:

1 Menerapkan tesseract OCR engine pada perangkat Android untuk

mengenali citra karakter nonlatin.

2 Mengetahui keakuratan Tesseract OCR engine dalam mengenali citra

karakter nonlatin.

3 Mengetahui pengaruh intensitas cahaya, kemiringan, fokus, dan penulisan

secara vertikal terhadap keakuratan pengenalan karakter.

4 Mengetahui hasil evaluasi usability melalui kuesioner kepada pengguna.

Manfaat Penelitian

Pada penelitian ini, manfaat yang diperoleh adalah membantu masyarakat

dalam mengenali karakter nonlatin dengan bahasa Cina (sederhana), Jepang,

Korea, Rusia, dan Thailand dalam bentuk nondigital ke dalam bentuk digital serta

menerjemahkannya ke dalam bahasa Indonesia dan Inggris pada suatu aplikasi

mobile.

Ruang Lingkup Penelitian

Ruang lingkup pada penelitian ini antara lain:

1 Pengenalan karakter nonlatin dilakukan pada citra yang bukan hasil tulisan

tangan.

2 Karakter nonlatin hanya bahasa dengan karakter yang didukung oleh

Tesseract OCR dan Microsoft Translator yaitu Cina (sederhana), Jepang,

Korea, Rusia, dan Thailand.

3 Pengguna sudah mengetahui bahasa untuk karakter yang akan dikenali.

4 Masukan citra memiliki ekstensi yang didukung oleh Android dan

tesseract OCR, yaitu format JPEG, GIF, PNG,dan BMP.

5 Pengujian pengenalan karakter dilakukan pada citra yang divariasikan

pada intensitas cahaya, kemiringan, fokus, dan penulisan secara vertikal.

METODE

Metode pada penelitian ini terdiri dari beberapa tahapan dengan alur kerja

yang dapat dilihat pada Gambar 1.

3

Gambar 1 Metode penelitian

Pengumpulan Data

Pada tahap awal penelitian, dilakukan pengumpulan data uji citra karakter

nonlatin berupa citra digital dan citra nondigital. Pada penelitian ini, pemilihan

bahasa dengan karakter nonlatin antara lain: Cina (sederhana), Jepang, Korea,

Rusia, dan Thailand. Pemilihan karakter Cina sederhana dengan pertimbangan

bahwa dalam pengaplikasiannya lebih banyak digunakan dan lebih mudah dalam

pengenalannya dibandingkan karakter Cina (tradisional) (Shi-zong 2009).

Analisa Pengenalan Karakter

Pada penelitian ini, proses pengenalan citra karakter dilakukan dengan

menggunakan Tesseract OCR Engine. Mesin OCR dikembangkan di Hewlett-

Packard (HP) pada tahun 1984 dan 1994 (Smith 2007). Adapun alur kerja dalam

pengenalan citra karakter dapat dilihat pada Gambar 2.

Gambar 2 Alur kerja Tesseract OCR Engine

Image Preprocessing

Grayscaling

Removing noise

Thresholding

Feature Extraction

Connected Component Labelling

Segmentation

Line Finding

Baseline Fitting

Fixed Pitch Detection

Non Fixed Pitch Detection

Word Recognition

Adaptive Classifier

Teks

Citra Biner

Blob Citra

4

Penerjemahan Karakter non-Latin

Setelah karakter nonlatin berhasil dikenali dengan baik. Proses selajutnya

adalah penerjemahan karakter nonlatin ke dalam bahasa Indonesia atau Inggris.

Pemilihan bahasa Indonesia dan Inggris sebagai bahasa tujuan dalam

penerjemahan dikarenakan penelitian ini dibuat di negara Indonesia menggunakan

bahasa Indonesia, sedangkan bahasa Inggris merupakan bahasa internasional yang

secara resmi dipelajari oleh hampir semua negara di dunia.

Perancangan Aplikasi

Pada tahap perancangan aplikasi terdiri dari beberapa proses yaitu use case

diagram, activity diagram dan perancangan antarmuka.

Use Case Diagram

Use case diagram merupakan salah satu dari UML (Unified Modelling

Language) diagram yang bertujuan untuk memodelkan proses bisnis dari

perspektif pengguna. Pada use case diagram terdiri dari aktor sebagai pengguna

aplikasi dan aksi-aksi yang dapat dilakukan oleh aktor tersebut.

Activity Diagram

Activity diagram menggambarkan alur aktivitas dalam sistem yang akan

dibangun sehingga dapat mencerminkan perancangan alur sistem dari awal, proses

yang mungkin terjadi di dalamnya, dan akhir dari alur sistem yang telah

diaplikasikan.

Perancangan Tampilan Antarmuka

Tampilan antarmuka merupakan media komunikasi yang digunakan antara

pengguna dan sistem. Sistem yang akan dibangun diharapkan mudah dipahami

dan dimengerti oleh pengguna agar fungsi dari sistem dapat dioperasikan dengan

baik oleh pengguna.

Implementasi

Pada penelitian ini, sistem dibangun dan diimplementasikan menggunakan

perangkat keras dan perangkat lunak dengan rincian sebagai berikut.

1 Perangkat keras

a Sony Ericsson ST18i (Xperia Ray) dengan sistem operasi Android

Ice Cream Sandwich v4.0.4

i CPU 1 GHz Scorpion

ii Memory internal 512 MB dan microSD 8 GB

iii Kamera 8 MP, 3264 x 2448 pixels, autofocus, LED flash

b Dell inspiron dengan sistem operasi Windows 7 Home Basic

i Intel Core i3-2370M Processor

ii Nvidia GeForce GT 630M DDR3 1 GB

iii Memory 4 GB DDR3

5

iv Harddisk 500 GB 5400 RPM

2. Perangkat lunak

a Eclipse Juno ADT

b Android SDK

c Tesseract OCR

d Tesseract Traineddata

e API Microsoft Translaor 0.6.1

Pengujian

Tahap pengujian menggunakan metode black box terhadap fungsi-fungsi

utama pada sistem yang telah diimplementasikan pada perangkat mobile Android.

Pengujian pengenalan karakter oleh Tesseract OCR menggunakan data uji

karakter nonlatin dari masing-masing bahasa dengan skenario pengujian yang

berbeda-beda. Adapun skenario pengujian yang dimaksud mencakup pengujian

secara normal, pengujian dengan intensitas cahaya sangat terang dan redup,

pengujian dengan kemiringan 30 dan 60 derajat, pengujian dengan citra blur atau

kabur, dan pengujian dengan karakter vertikal. Hal ini diperlukan untuk

mengetahui tingkat akurasi pada masing-masing skenario pengujian dalam

mengenali citra karakter nonlatin.

Evaluasi

Pada tahap terakhir yaitu evaluasi dilakukan dengan cara memberikan

kuesioner kepada pengguna aplikasi yang telah dibangun ini. Kuesioner dirancang

dengan memperhatikan lima aspek usability yang terdiri dari learnability,

efficiency, memorability, errors,dan satisfaction (Nielsen 2012). Tujuan utama

kuesioner adalah untuk mengumpulkan informasi dari responden berupa tingkat

kepuasan mengenai kekurangan dan kelebihan suatu aplikasi (Rubin dan Chissnell

2008). Kepuasan pengguna diukur menggunakan skala Likert 1 sampai 5 untuk

membantu pengguna mengekspresikan kepuasan mereka terhadap aplikasi.

Adapun penilaian kuesioner untuk mengukur tingkat usability adalah sebagai

berikut.

1 SS (Sangat Setuju) nilai 5

2 S (Setuju) nilai 4

3 RR (Ragu-ragu) nilai 3

4 TS (Tidak Setuju) nilai 2

5 STS (Sangat Tidak Setuju) nilai 1

HASIL DAN PEMBAHASAN

Pengumpulan Data

Pengumpulan data dilakukan dengan cara mencari 10 citra karakter

nonlatin pada masing-masing bahasa sebagai data uji digital. Data uji digital diuji

mengunakan fitur galeri pada perangkat mobile Android. Sedangkan data uji

nondigital merupakan hasil cetak dari data uji digital yang nantinya akan diuji

6

menggunakan fungsi kamera pada perangkat mobile Android. Adapun data uji

tersebut untuk lebih lengkapnya dapat dilihat pada Tabel 1.

Tabel 1 Data uji citra karakter nonlatin

Bahasa Data Uji Citra Karakter non-Latin ke-

1,5,9 2,6,10 3,7 4,8

Cina

(sederhana)

Jepang

Korea

Rusia

Thailand

Analisa Pengenalan Karakter

Image Preprocessing

Pada bagian image preprocessing dilakukan proses grayscaling, removing

noise dan thresholding. Pada bagian ini diharapkan menghasilkan citra biner yang

nantinya menjadi masukan pada tahap berikutnya tahap feature extraction.

1 Grayscaling

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

7

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.

gs= ((r + g +b)/3) & 0xFF

Dengan format warna ini dihasilkan citra grayscale dengan intensitas

keabuan yang dipengaruhi oleh variabel warna merah hijau, dan biru. Sedangkan

nilai alpha channel berupa 0xFF merupakan ketransparanan dengan nilai 0.

Adapun diagram alur dari proses grayscaling dapat dilihat pada Gambar 3.

Gambar 3 Diagram alur Grayscaling

Start

Loading

Image

h = image.getHeight()

w = image.getWeight()

x=0

y=0

x < w

?

y < h

?

x = x + 1

R= Color.red(x,y)

G= Color.green(x,y)

B= Color.blue(x,y)

y = y + 1

set pixel (x,y) with

(R + G + B) / 3

Grayscaled

image finish

No Yes

No

Yes

8

2 Removing Noise

Pada penelitian ini, proses removing noise menggunakan unsharp mask

yang merupakan hasil pengurangan citra asli dengan citra yang telah diperhalus

atau telah melalui proses smoothing.

g(x,y) = f(x,y) – 𝑓𝑠𝑚𝑜𝑜𝑡 ℎ𝑒𝑑 (𝑥, 𝑦)

Proses smoothing pada penelitian ini menggunakan gaussian smoothing

dengan konvolusi matriks 3x3. Smoothing dilakukan dengan tujuan untuk

menghaluskan citra dan mendekatkan simbol yang berbentuk karakter yang

memiliki ruang menjadi lebih mudah dikenali oleh program aplikasi sebagai suatu

karakter yang utuh dan bukan simbol-simbol yang terpisah (Fisher et al. 2003).

Adapun distribusi gaussian smoothing dalam citra 2 dimensi dapat dirumuskan

sebagai berikut.

𝑓𝑠𝑚𝑜𝑜𝑡 ℎ𝑒𝑑 (𝑥, 𝑦) = 1

2𝜋𝜎2 𝑒−

𝑥2+𝑦2

2𝜎2

Dari perumusan gaussian smoothing dalam berntuk 2 dimensi tersebut,

maka dapat diilustrasikan dengan Gambar 4.

Gambar 4 Ilustrasi Gaussian Smoothing 2 dimensi

3 Thresholding

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.

𝑝𝑖 = 𝑛𝑖 / N

𝑛𝑖 = jumlah piksel pada level ke-i

N = total piksel pada citra

9

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).

ω(k)= 𝑃𝑖𝑘𝑖=1 μ(k)= 𝑖. 𝑃𝑖

𝑘𝑖=1 𝜇𝑇 = 𝑖. 𝑃𝑖

𝐿𝑖=1

Nilai ambang k dapat ditentukan dengan memaksimumkan persamaan:

𝜎𝐵2(𝑘∗) = 𝜎𝐵

2(𝑘)1≤𝑘<𝑙𝑚𝑎𝑥 dengan 𝜎𝐵

2(k) = [𝜇𝑇𝜔 𝑘 − 𝜇(𝑘)]2

𝜔 𝑘 [1−𝜔(𝑘)]

Algoritme untuk menentukan nilai ambang batas citra menggunakan metode Otsu

dapat dilihat pada Gambar 5.

Gambar 5 Algoritme Otsu

Feature Extraction

Pada tahap feature extraction, untuk mendapatkan fitur dari citra teks,

outline karakter harus diidentifikasi terlebih dahulu pada proses ekstraksi fitur

menggunakan connected component labelling. Adapun ilustrasi pengidentifikasian

outline pada proses connected component labelling dapat dilihat pada Gambar 6.

tMean = 0;

variance = maxVariance = 0;

firstCM = zerothCM = 0

for (i=0,i<h;i++){

for (j=0;j<w;j++){

n = Image[j][i];

histogram[n]++;}

}

for (k=0;k<level;k++){

tMean +=k*histogram[k]/(w*h);}

for (k=0;k<level;k++){

zerothCM += histogram[k] / (w*h);

firstCM +=k* histogram[k] / (w*h);

variance = (tMean * zerothCM - firstCM);

variance *= variance;

variance /= zerothCM * (1 - zerothCM);

if (maxVariance < variance){

maxVariance = variance;

T = k;}

}

10

Gambar 6 Identifikasi outline

Pada Gambar 19 dapat dijelaskan bahwa karakter (a) mengalami proses

pelabelan berupa outline (b), setelah proses pelabelan, outline akan membentuk

blob yang merupakan tipe data untuk binary file (c), yang pada akhirnya outline

karakter berhasil diidentifikasi (d) (Smith 2007).

Segmentation

Proses selanjutnya adalah segmentation. Ada beberapa tahap dalam

segmentation agar karakter pada citra berhasil dikenali, antara lain: line finding,

baseline fitting, dan chopping.

1 Line Finding

Algoritme line finding dirancang agar dapat membaca teks dengan derajat

kemiringan tertentu tanpa harus meng-skew (proses mengubah halaman miring

menjadi tegak) sehingga tidak menurunkan akurasi pengenalan citra karakter

(Smith 2007). Hasil dari identifikasi outline dapat diasumsikan telah menyediakan

informasi berupa region teks dengan ukuran seragam, dengan begitu karakter

proses line finding dapat mengidentifikasi karakter yang bersentuhan secara

vertikal sebagai teks yang lebih dari satu baris.

2 Baseline Fitting

Setelah baris teks ditemukan, baseline dicocokan dengan lebih tepat

menggunakan quadratic spline. Fungsi ini digunakan untuk mengatasi citra

karakter dengan baseline miring atau berbentuk kurva. Baseline dicocokan dengan

partisi blob ke dalam kelompok-kelompok. Pada baseline fitting terdapat 3

pengelompokan garis, yaitu garis tengah (meanline), garis menaik (ascender), dan

garis menurun (descender). Contoh fitted baseline dapat dilihat pada Gambar 7.

Gambar 7 Contoh fitted baseline

11

3 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

akan dicari dulu ambang batas jarak antarkarakter untuk menentukan karakter

yang terhubung dan karakter yang terpisah. Adapun contoh pemisahan karakter

dapat dilihat pada Gambar 8.

Gambar 8 Contoh pemisahan karakter

Word Recognition

Hasil dari pengenalan karakter nonlatin pada bagian segmentation di atas

kemudian akan dicocokan dengan data latih Tesseract yang dapat diunduh secara

gratis di http://code.google.com/p/tesseract-ocr/downloads/list. Pada penelitian ini

mengidentifikasi berdasarkan 5 bahasa yang menggunakan karakter nonlatin. Data

latih yang digunakan adalah sebagai berikut:

1 chi_sim.traineddata : data latih karakter Cina (sederhana)

2 jpn.traineddata : data latih karakter Jepang

3 kor.traineddata : data latih karakter Korea

4 rus.traineddata : data latih karakter Rusia

5 tha.traineddata : data latih karakter Thailand

Proses klasifikasi dilakukan dengan terlebih dahulu mengukur jarak antara

karakter yang diuji terhadap karakter-karakter yang telah tersedia pada data latih

Tesseract dengan mengoptimalkan rumus jarak Euclidean.

dx,y = (𝑥1 − 𝑦1)2 + (𝑥2 − 𝑦2)2

Selanjutnya untuk mencocokkan fitur dilakukan pencarian jarak terdekat

dengan algoritme pencarian best first search. Hasil keluaran pada proses ini harus

berupa karakter string (UTF-8). Oleh karena itu, terdapat fungsi getUTF(8) pada

class TessBaseApi di library Tesseract OCR yang bertujuan untuk mengubah

unicode karakter nonlatin yang terdiri dari bilangan hexadesimal menjadi karakter

string (UTF-8).

Penerjemahan Karakter non-Latin

Setelah proses pengenalan citra karakter nonlatin selesai, proses

selanjutnya adalah penerjemahan secara online oleh Microsoft Translator.

http://code.google.com/p/tesseract-ocr/downloads/list

12

Penerjemahan dilakukan dari bahasa karakter nonlatin ke dalam bahasa Indonesia

dan Inggris. Proses penerjemahan dapat berlangsung dengan baik dengan cara

memberikan tautan berupa Microsoft Translator API dalam format .JAR dan

dengan menambahkan client ID serta client secret pada kode program.

Perancangan Aplikasi

Use Case Diagram

Pada penelitian ini, perancangan aplikasi dapat digambarkan dengan use

case seperti pada Gambar 9. Dari use case diagram tersebut, dapat dijelaskan

bahwa seorang pengguna diharuskan memilih bahasa asal, mengambil citra

menggunakan kamera dengan tambahan fungsi crop atau dari galeri, dan memilih

bahasa tujuan untuk selanjutnya sistem menterjemahkan hasil konversi teks dari

citra ke dalam bahasa tujuan. Pada bagian pilih bahasa asal, bahasa yang tersedia

antara lain: Cina (sederhana), Jepang, Korea, Rusia, dan Thailand. Sedangkan

untuk pilih bahasa tujuan, bahasa yang digunakan adalah Indonesia dan Inggris.

Gambar 9 Use case diagram

Activity Diagram

Pada penelitian ini proses bisnis dijelaskan menggunakan activity diagram

yang menghubungkan aksi yang dilakukan antar komponen. Adapun komponen

dalam mengoperasikan aplikasi pengenalan bahasa nonlatin hingga tahap

penerjemahan antara lain:

1 Pengguna

Pada bagian pengguna, proses yang dilakukan sesuai dengan aksi pada use

case diagram, antara lain pilih bahasa asal, pilih citra karakter yang ingin dikenali,

pilih bahasa tujuan, melakukan aksi sebagai pemicu dalam menerjemahkan, dan

melakukan reset aplikasi.

13

2 Tesseract OCR

Pada bagian Tesseract OCR proses yang dilakukan adalah melakukan

konversi citra menjadi karakter digital. Proses konversi dilakukan dalam beberapa

tahapan antara lain: preprocessing, feature extraction, segmentation, dan word

recognition.

a Preprocessing

Pada bagian preprocessing, proses yang dilakukan antara lain grayscaling

yaitu mengubah citra RGB menjadi citra grayscale dengan rumus (R+G+B)/3.

Tahap berikutnya adalah removing noise dengan menggunakan metode unsharp

mask yaitu mengurangi nilai tiap piksel citra grayscale dengan nilai tiap piksel

citra grayscale yang telah melalui tahap smoothing menggunakan metode

gaussian smoothing. Setelah tahap removing noise selesai, tahap berikutnya

adalah thresholding menggunakan metode Otsu yaitu dengan mencari nilai

maksimum dari variance sebagai nilai threshold atau nilai ambang batas.

b Feature extraction

Pada bagian feature extraction, proses yang dilakukan adalah connected

component labelling yaitu dengan cara mengidentifikasi komponen yang

terhubung sehingga membentuk outline pada karakter yang diuji untuk

selanjutnya dilakukan tahap segmentation.

c Segmentation

Pada bagian segmentation, proses yang dilakukan antara lain line finding,

baseline fitting, dan chopping. Pada bagian line finding, Tesseract OCR Engine

dirancang agar dapat membaca karakter dengan derajat kemiringan tertentutanpa

harus meng-skew karakter tersebut. Proses selanjutnya adalah baseline fitting

yaitu pencocokan garis pangkal menggunakan quadratic spline, sehingga dapat

mengidentifikasi karakter pada teks dengan ketinggian beragam dalam satu baris.

Proses selanjutnya adalah chopping dengan cara menentukan jarak antarkarakter

terlebih dahulu. Jika jarak antarkarakter tetap, karakter dalam suatu baris teks

dapat langsung dipotong agar lebih mudah dalam pengenalan tiap karakternya.

Namun, jika jarak antarkarakter beragam, akan diidentifikasi terlebih dahulu nilai

ambang batas antarkarakter untuk mengetahui pemisahan antarkarakter

menggunakan jeda atau tidak.

d Word recognition

Pada bagian word recognition, proses yang dilakukan adalah mencocokan

data uji hasil tahap segmentation dengan data latih dengan mengoptimalkan rumus

pencarian jarak euclidian dan best first search untuk pemilihan jarak terdekat.

Setelah karakter berhasil diidentifikasi, proses selanjutnya adalah mengubah

karakter set unicode hasil pengenalan data uji menjadi karakter string (UTF8)

untuk selanjutnya hasil dari word recognition akan ditampilkan kepada pengguna.

3 Microsoft Translator

Sedangkan pada bagian Microsoft Translator proses yang dilakukan

adalah menerjemahkan karakter digital hasil pengenalan citra ke dalam bahasa

tujuan secara online berdasarkan tiap baris data. Pengaplikasian activity diagram

pada penelitian ini dapat dilihat pada Gambar 10.

14

Gambar 10 Activity diagram

15

Perancangan Tampilan Antarmuka

Pada penelitian ini dihasilkan aplikasi Android pengenalan citra karakter

nonlatin menggunakan Tesseract OCR dan menerjemahkannya menggunakan

Microsoft Translator. Berdasarkan activity diagram tersebut, dibuatlah

perancangan antarmuka pengguna seperti pada Tabel 2, dengan adanya

perancangan antarmuka di bawah, diharapkan perancangan alur sistem yang

dilakukan pada activity diagram akan terwujud.

Tabel 2 Rancangan antarmuka pengguna

Halaman utama Pilih bahasa asal Bahasa asal terpilih Ambil citra

OCR citra ke teks Pilih bahasa tujuan Bahasa tujuan

terpilih

Menerjemahkan

teks

Implementasi

Pada tahap implementasi ini menghasilkan suatu aplikasi pada perangkat

mobile Android yang dapat menerjemahkan karakter nonlatin dengan bahasa

Cina (sederhana), Jepang, Korea, Rusia, dan Thailand yang berasal dari citra

sebagai masukannya. Keluaran pada sistem merupakan hasil terjemahan dalam

bahasa Indonesia atau bahasa Inggris sesuai kebutuhan pengguna. Hasil

implementasi berupa aplikasi pada tahap perancangan tersebut dapat dilihat pada

Tabel 3.

16

Tabel 3 Implementasi sistem

Tampilan awal Pilihan bahasa

asal

Pilihan masukan

citra

Kamera

Crop / pemotongan Galeri Pengenalan karakter Pilihan bahasa

tujuan

Terjemahan Indonesia Terjemahan Inggris

Pengujian

Berdasarkan hasil pengujian menggunakan metode black box (Khan et al.

2012) pada bagian implementasi di atas, dapat disimpulkan bahwa seluruh fungsi

17

pada aplikasi yang dibangun berjalan dengan baik sesuai yang direncanakan pada

bagian analisa kebutuhan dan desain. Berikut hasil pengujian menggunakan

metode black box dapat dilihat pada Tabel 4.

Tabel 4 Pengujian sistem menggunakan metode black box

No. Nama fungsi Hasil pengujian

1 Memilih bahasa asal Berhasil

2 Mengambil citra melalui kamera dan memotongnya Berhasil

3 Mengambil citra melalui galeri Berhasil

4 Menampilkan teks hasil OCR Berhasil

5 Mengubah teks hasil OCR Berhasil

6 Memilih bahasa tujuan Berhasil

7 Menterjemahkan teks hasil OCR ke bahasa tujuan Berhasil

8 Me-reset aplikasi Berhasil

Pada bagian pengujian, selain pengujian fungsi sistem menggunakan

metode black box, dilakukan pula pengujian untuk mengetahui besarnya akurasi

pengenalan karakter yang dihasilkan pada aplikasi yang dibangun serta untuk

mengetahui pengaruh dari intensitas cahaya, kemiringan citra karakter, dan kabur

tidaknya citra dalam pengenalan karakter pada citra. Oleh karena itu, diperlukan

beberapa skenario untuk memanipulasi citra agar dapat diuji untuk mengetahui

pengaruh dari intensitas cahaya, kemiringan citra dan kabur tidaknya citra.

Adapun skenario pengujian untuk lebih lengkapnya dan contoh pengujian

pengenalan karakter dapat dilihat pada Tabel 5 dan Tabel 6.

Tabel 5 Skenario pengujian

Pengujian Kategori Kamera Galeri

Intensitas

Cahaya

Terang Lampu putih 15W (jarak

lampu kurang dari

20cm)

Brightness = 50

(Microsoft office

picture manager)

Normal Lampu putih 15W (jarak

lampu + 2 meter)

Brightness = 0

(Microsoft office

picture manager)

Redup Lampu kuning 10W Brightness = -50

(Microsoft office

picture manager)

Fokus

Fokus Menunggu fokus Langsung

Kabur /

Blur

Langsung ambil tanpa

menunggu fokus

Gaussian blur

1,5px (Adobe

imageready)

Kemiringan

0° Posisi kamera sejajar

dengan citra karakter

Rotate 0°

30° Posisi kamera miring 30°


Rotate 30°

60° Posisi kamera miring 60°


Rotate 60°

18

Tabel 6 Contoh pengujian karakter Cina (sederhana)

No Skenario Citra OCRed teks Terjemahan Akurasi

Kamera Galeri Kamera Galeri Indonesia /

Inggris

1 Normal

Geser /

Slide

6/6

2 Sangat

terang

Geser /

Slide

6/6

3 Redup

Geser /

Slide

6/6

4 Blur

Geser /

Slide

3/6

5 Miring 30°

- 0

6 Miring 60°

- 0

7 Vertikal

Geser /

Slide

6/6

Dari skenario pengujian dan contoh pengujian dalam pengenalan karakter di

atas yang dilakukan pada masing-masing bahasa dengan karakter nonlatin, maka

diperoleh akurasi pengenalan karakter pada masing-masing bahasa dengan

masing-masing skenario seperti pada Tabel 7 dengan rincian hasil pengujian yang

terdapat pada Lampiran 1.

Tabel 7 Akurasi pada masing-masing skenario

No

. Pengujian

Bahasa Rata-rata

akurasi Cina Jepang Korea Rusia Thailand

1 Normal 100 96 92.05 93.39 93.75 95.03

2 Sangat

terang

78.3 77.3 82.5 85.35 88.5 82.39

3 Redup 95 84 83.75 85 83.75 86.3

4 Miring 30° 5 28.7 15.84 67.91 43.42 32.17

5 Miring 60° 0 0 0 8.5 8.34 3.36

6 Blur /

kabur

61.7 54.5 45.45 52.25 62.28 55.35

7 Vertikal 90.8 94 48.85 - - 77.88

Berdasarkan tabel 7, dapat disampaikan bahwa akurasi terbaik pengenalan

karakter adalah 95.03% yaitu ketika kondisi pencahayaan normal dengan

kemiringan 0° dan citra tidak kabur atau blur. Akurasi pengenalan karakter sedikit

menurun ketika pencahayaan dibuat sangat terang maupun redup dan pada

19

pengujian karakter dengan penulisan secara vertikal pada bahasa Cina dan Jepang,

tetapi hal tersebut tidak berlaku pada karakter Korea.

Akurasi juga akan menurun tajam ketika citra dimiringkan maupun dibuat

kabur karena proses pengenalan karakter pada citra tidak invariant terhadap

kemiringan walaupun pada tahap line finding terdapat fungsi untuk skewing /

memiringkan karakter pada citra. Akurasi pada pengujian citra kabur atau blur

juga menurun cukup tajam karena proses removing noise menggunakan metode

unsharp mask yaitu dengan cara mengurangi nilai citra asli dengan citra yang

sudah melalui tahap smoothing. Oleh sebab itu, jika citra asli yang digunakan

sudah dalam keadaan kabur, tentunya akan lebih sulit untuk menemukan outline

pada karakter yang diuji. Adapun contoh pengujian penerjemahan karakter secara

online menggunakan Microsoft Translator dapat dilihat pada Tabel 8.

Tabel 8 Contoh pengujian penerjemahan

No. Bahasa Hasil pengenalan

karakter

Terjemahan

Indonesia Inggris

1 Cina

Geser Slide

2 Jepang

Area

memancing

Fishing area

3 Korea

Toilet Toilet

4 Rusia Peringatan Warning

5 Thailand

Terima kasih Thank you

Evaluasi

Pada tahap evaluasi usability ini diberikan sejumlah task atau tugas berupa

kuesioner yang sudah dipersiapkan sebelumnya kepada pengguna saat berinteraksi

dengan sistem. Bentuk dari lembar kuesioner dan tanggapan dari para responden

terdapat pada Lampiran 2. Kuesioner dirancang menggunakan bahasa yang mudah

dimengerti oleh pengguna. Klasifikasi penarikan kesimpulan berdasarkan rata-rata

nilai evaluasi kuesioner terdapat pada Tabel 9.

Tabel 9 Klasifikasi penarikan kesimpulan hasil evaluasi usability

Nilai Kesimpulan

<20% Sangat tidak setuju bahwa aplikasi sangat mudah dipahami

dan dimengerti

> 20% dan < 40% Tidak setuju bahwa aplikasi sangat mudah dipahami dan

dimengerti

> 40% dan < 60% Ragu-ragu bahwa aplikasi sangat mudah dipahami dan

dimengerti

> 60% dan < 80% Setuju bahwa aplikasi sangat mudah dipahami dan

dimengerti

> 80% Sangat setuju bahwa aplikasi sangat mudah dipahami dan

dimengerti

Berdasarkan kuesioner di atas, dilakukan evaluasi usability terhadap

penilaian 5 responden. Adapun persentase penilaian tiap responden didapat

20

dengan perhitungan, 𝑛𝑖𝑙𝑎𝑖 ℎ𝑎𝑠𝑖𝑙 𝑘𝑢𝑒𝑠𝑖𝑜𝑛𝑒𝑟

𝑛𝑖𝑙𝑎𝑖 𝑚𝑎𝑘𝑠𝑖𝑚𝑎𝑙 x 100%. Berikut penilaian evaluasi

usability menggunakan kuesioner pada tiap responden terdapat pada Tabel 10.

Tabel 10 Evaluasi usability

No. Responden Penilaian

Nilai (%) SS S RR TS STS

1 Pertama 5 20 84

2 Kedua 5 13 7 78.4

3 Ketiga 14 10 1 90.4

4 Keempat 2 18 5 77.6

5 Kelima 6 15 4 81.6

Rata-rata penilaian tiap responden (%) 82.4

Pada tabel evaluasi usability di atas dapat disampaikan bahwa pada rata-

rata nilai evaluasi usability menggunakan kuesioner adalah 82.4% yang berarti

aplikasi yang dibangun pada penelitian ini yaitu aplikasi Android penerjemah

bahasa nonlatin dengan pengenalan citra karakter sangat mudah dimengerti dan

sangat mudah untuk dipelajari dalam penggunaanya.

SIMPULAN DAN SARAN

Simpulan

Pada penelitian ini menghasilkan aplikasi Android untuk pengenalan citra

karakter nonlatin dengan Tesseract library. Dari pengujian terhadap 650 data uji

citra yang terdiri dari 5 bahasa (Cina sederhana, Jepang, Korea, Rusia, dan

Thailand), sistem mampu mengenali citra karakter nonlatin dengan akurasi terbaik

sebesar 95.03% pada kondisi pencahayaan normal dengan kemiringan 0°, serta

mampu menerjemahkannya ke dalam bahasa Indonesia dan Inggris. Pengujian

pada citra yang divariasikan pada intensitas cahaya, kemiringan, blur atau kabur

tidaknya citra, dan penulisan secara vertikal pada bahasa yang mendukung

penulisan secara vertikal, menunjukkan bahwa faktor-faktor tersebut dapat

menurunkan tingkat akurasi pengenalan karakter.

Hasil pengujian usability responden mendapatkan nilai sebesar 82.4%, hal

ini menunjukkan bahwa aplikasi Android yang dibangun sangat mudah dipelajari

dan dimengerti oleh pengguna.

Saran

Sistem aplikasi pengenalan citra karakter nonlatin yang dibangun masih

memiliki kekurangan, sehingga diperlukan adanya pengembangan dan perbaikan

agar sistem menjadi lebih baik. Beberapa tahapan pengenalan pola yang perlu

diperbaiki yaitu pada bagian line finding agar lebih invariant terhadap kemiringan

karakter pada citra serta perbaikan pada bagian removing noise agar menjadi lebih

tangguh dalam mengenali citra dalam keadaan kabur atau blur.

21

DAFTAR PUSTAKA

Fisher R, Perkins S, Walker A, Wolfart E. 2003. Gaussian Smoothing. Alertbox

[Internet]. [diunduh 2015 Februari 01]. Tersedia pada

http://homepages.inf.ed.ac.uk/rbf/HIPR2/gsmooth.htm.

Goodman S. 2014. Machine Translation – Google Translate vs Bing Translator.

Linnworks [Internet]. (2014 Januari 15 [diunduh pada 2015 maret 1]).

Tersedia pada http://blog.linnworks.com/google-bing-translate/.

Khan M, Khan F. 2012. A Comparative Study of White Box, Black Box and Grey

Box Testing Techniques. International Journal of Computer Science and

Applications. 3:12-15.doi:10.14569/IJACSA.2012.030603.

Nielsen J. 2012. Usability 101: Introduction to Usability. Nielsen Norman Group

[Internet]. (2012 januari 4 [diunduh 2014 Desember 01]). Tersedia pada

http://www.nngroup.com/articles/usability-101-introduction-to-usability/.

Putra D. 2004. Binerisasi Citra Tangan dengan Metode Otsu. Jurnal Teknologi

Elektro. 3(2).

Rubin J, Chisnell D. 2008. Handbook of Usability Testing : How to Plan, Design,

and Conduct Effective Test. Indianapolis (US): Wiley Publishing Inc.

Shi-zhong D. 2009. The Choice of Traditional vs. Simplified Character in US

Classroom. Di dalam: Charles C, Shelly R, Lily R, Nydia L, Jennifer L,

Max S, Jean Z, Rae Z, editor. US-China Education Review; 2009

Desember; Illinois, Amerika Serikat. Illinois(US): David Publishing

Company. hlm: 67-73.

Smith R. 2007. An Overview of the Tesseract OCR Engine. ICDAR '07:

Proceedings of the Ninth International Conference on Document

Analysis and Recognition II; 2007 Sept 23-26; Curitiba, Brasil.

Washington DC (US): IEEE Computer Society. hlm 629-633.

http://homepages.inf.ed.ac.uk/rbf/HIPR2/gsmooth.htm

http://www.nngroup.com/articles/usability-101-introduction-to-usability/

22

LAMPIRAN

Lampiran 1 Pengujian pengenalan karakter dan terjemahannya

Pengujian citra karakter bahasa Cina (sederhana)

No Skenario Citra OCRed teks Terjemahan

Akurasi Kamera Galeri Kamera Galeri Indonesia Inggris

1.

Normal

Buka Open

2/2

Sangat

terang

1/2

Redup

1/2

Blur

2/2

Miring

30° 0

Miring

60°

0

2.

7

.

Normal

Bagus

sekali

Very

good

4/4

Sangat

terang

4/4

Redup

4/4

Blur

2/4

Miring

30°

0

Miring

60°

0

Vertikal

4/4

3.

7

.

Normal

Geser Slide

6/6

Sangat

terang

6/6

Redup

6/6

Blur

3/6

23

Lanjutan

No Skenario Citra OCRed teks Terjemahan Akurasi

Kamera Galeri Kamera Galeri Indonesia Inggris

3 Miring

30°

0

Miring

60°

0

Vertikal

6/6

4.

7

.

Normal

Api Fire

2/2

Sangat

terang

1/2

Redup

2/2

Blur

1/2

Miring

30°

0

Miring

60°

0

5.

7

.

Normal

Kartun Cartoon

4/4

Sangat

terang

4/4

Redup

4/4

Blur

2/4

Miring

30°

0

Miring

60°

0

Vertikal

2/4

6.

Normal

Air soda

Soda

water

6/6

24

Lanjutan



Sangat

terang

6/6

Redup

6/6

Blur

4/6

Miring

30°

1/6

Miring

60°

0

Vertikal

6/6

7. Normal

Air Water

2/2

Sangat

terang

1/2

Redup

2/2

Blur

2/2

Miring

30°

0

Miring

60°

0

8.

Normal

Beijing Beijing

4/4

Sangat

terang

4/4

Redup

4/4

Blur

2/4

Miring

30°

0

25

Lanjutan



Miring

60°

0

Vertikal

4/4

9.

7

Normal

Bahasa

mandarin

Mandar

in

6/6

Sangat

terang

5/6

Redup

6/6

Blur

3/6

Miring

30°

0

Miring

60°

0

Vertikal

5/6

10.

7

Normal

Listrik Electric

4/4

Sangat

terang

2/4

Redup

4/4

Blur

2/4

Miring

30°

0

26

Lanjutan



Miring

60°

0

Vertikal

4/4

Pengujian citra karakter bahasa Jepang



1.

Normal

Anjing Dog

2/2

Sangat

terang

2/2

Redup

1/2

Blur

1/2

Miring

30°

0

Miring

60°

0

2.

7

.

Normal

Area

meman-

cing

Fishing

area

9/10

Sangat

terang

5/10

Redup

10/10

Blur

10/10

Miring

30°

4/10

Miring

60°

0

Vertikal

8/10

27

Lanjutan



3.

7

.

Normal

Hentikan Stop it

6/6

Sangat

terang

6/6

Redup

6/6

Blur

3/6

Miring

30°

4/6

Miring

60°

0

Vertikal

6/6

4.

7

.

Normal

Pada hari

libur

On

holiday

6/6

Sangat

terang

5/6

Redup

6/6

Blur

3/6

Miring

30°

3/6

Miring

60°

0

Vertikal

6/6

28

Lanjutan



5.

Normal

Permisi Excuse

me

10/10

Sangat

terang

5/10

Redup

10/10

Blur

2/10

Miring

30°

3/10

Miring

60°

0

Vertikal

10/10

6.

Normal

restoran Restau-

rant

10/10

Sangat

terang

7/10

Redup

10/10

Blur

4/10

Miring

30°

0

Miring

60°

0

Vertikal

10/10

29

Lanjutan



7.

7

.

Normal

Saya I

6/6

Sangat

terang

6/6

Redup

6/6

Blur

3/6

Miring

30°

3/6

Miring

60°

0

Vertikal

6/6

8.

7

.

Normal

Rumah Home

2/2

Sangat

terang

1/2

Redup

1/2

Blur

1/2

Miring

30°

0

Miring

60°

0

9.

7

.

Normal

Sushi Sushi

4/4

Sangat

terang

4/4

Redup

4/4

Blur

3/4

30

Lanjutan



Miring

30°

0

Miring

60°

0

Vertikal

4/4

10.

7

.

Normal

Menara

tokyo

Tokyo

tower

7/10

Sangat

terang

7/10

Redup

4/10

Blur

6/10

Miring

30°

5/10

Miring

60°

0

Vertikal

6/10

Pengujian citra karakter bahasa Korea



1.

Normal

Ikan Fish

5/6

Sangat

terang 6/6

Redup

5/6

Blur

2/6

Miring

30° 0

31

Lanjutan



Miring

60°

0

Vertikal

5/6

2.

7

.

Normal

Lagu Song

4/4

Sangat

terang

2/4

Redup

2/4

Blur

2/4

Miring

30°

0

Miring

60°

0

Vertikal

0

3.

7

.

Normal

Kantor pos Post

office

6/6

Sangat

terang

6/6

Redup

6/6

Blur

1/6

Miring

30°

1/6

Miring

60°

0

Vertikal

4/6

32

Lanjutan



4.

7

.

Normal

Selamat

pagi

Good

mornin

g

7/8

Sangat

terang

4/8

Redup

7/8

Blur

5/8

Miring

30°

0

Miring

60°

0

Vertikal

2/8

5.

7

.

Normal

Toilet Toilet

6/6

Sangat

terang

6/6

Redup

3/6

Blur

6/6

Miring

30°

1/6

Miring

60°

0

Vertikal

6/6

6.

Normal

Toko buku Book

store

3/4

Sangat

terang 2/4

33

Lanjutan



Redup

4/4

Blur

1/4

Miring

30°

2/4

Miring

60°

0

Vertikal

0

7.

7

.

Normal

Kami We

4/4

Sangat

terang 4/4

Redup

4/4

Blur

2/4

Miring

30°

1/4

Miring

60°

0

Vertikal

0

8.

7

.

Normal

Aku cinta

kamu

sayangku

I love

you my

love

6/8

Sangat

terang

8/8

Redup

8/8

Blur

4/8

34

Lanjutan



Miring

30°

0

Miring

60°

0

Vertikal

7/8

9.

7

.

Normal

Sendok Spoon

6/6

Sangat

terang

3/6

Redup

4/6

Blur

1/6

Miring

30°

0

Miring

60°

0

Vertikal

3/6

10.

7

Normal

Terima

kasih

Thank

you

6/6

Sangat

terang

6/6

Redup

6/6

Blur

3/6

Miring

30°

3/6

Miring

60°

0

35

Lanjutan



Vertikal

5/6

Pengujian citra karakter bahasa Rusia

No Skenario Pengujian Citra OCRed teks Terjemahan

Akurasi Indonesia Inggris

1.

Normal Kamera

Ayolah Come

on

12/12 Galeri

Sangat

terang

Kamera

12/12 Galeri

Redup Kamera

6/12 Galeri

Blur Kamera

6/12

Galeri

Miring

30°

Kamera

8/12 Galeri

Miring

60°

Kamera

3/12 Galeri

2.

7

. Normal Kamera

Dilarang

melewati

Prohi-

bited

passing

34/34

Galeri

Sangat

terang

Kamera

17/34

Galeri

Redup Kamera

17/34

Galeri

Blur Kamera

5/34

Galeri

36

Lanjutan



Miring

30°

Kamera

21/34

Galeri

Miring

60°

Kamera

0

Galeri

3.

Normal

Kamera

Makan

malam Dinner

7/8

Galeri

Sangat

terang

Kamera

8/8

Galeri

Redup Kamera

7/8

Galeri

Blur Kamera

6/8 Galeri

Miring

30°

Kamera

8/8

Galeri

Miring

60°

Kamera

2/8

Galeri

4.

7 Normal Kamera

Peringa-

tan

War-

ning 20/28

Galeri

Sangat

terang

Kamera

22/28

Galeri

37

Lanjutan



Redup Kamera

28/28

Galeri

Blur Kamera

7/28

Galeri

Miring

30°

Kamera

20/28

Galeri

Miring

60°

Kamera

0

Galeri

5.

7 Normal Kamera

Salju Snow

6/8 Galeri

Sangat

terang

Kamera

6/8

Galeri

Redup Kamera 6/8 Galeri

Blur Kamera 6/8 Galeri

Miring

30°

Kamera

5/8 Galeri

Miring

60°

Kamera

0 Galeri

6.

Normal Kamera

Dokter Doctor

8/8 Galeri

Sangat

terang

Kamera

8/8

Galeri

38

Lanjutan



Redup Kamera

7/8 Galeri

Blur Kamera

3/8

Galeri

Miring

30°

Kamera

1/8 Galeri

Miring

60°

Kamera

0

Galeri

7.

Normal Kamera

Moskow Mos-

cow

12/12 Galeri

Sangat

terang

Kamera

12/12

Galeri

Redup

Kamera

12/12 Galeri

Blur Kamera

6/12

Galeri

Miring

30°

Kamera 12/12

Galeri

Miring

60°

Kamera

2/12

Galeri

8.

7 Normal

Kamera

Pasar Market 12/12

Galeri

39

Lanjutan



Sangat

terang

Kamera

12/12 Galeri

Redup Kamera

12/12 Galeri

Blur Kamera

12/12

Galeri

Miring

30°

Kamera

8/12

Galeri

Miring

60°

Kamera

0

Galeri

9.

Normal

Kamera

Pulau

indah

Beauti-

ful

island

30/30

Galeri

Sangat

terang

Kamera

30/30

Galeri

Redup Kamera

30/30

Galeri

Blur

Kamera

0

Galeri

40

Lanjutan



Miring

30°

Kamera

21/30

Galeri

Miring

60°

Kamera

3/30

Galeri

10.

7 Normal

Kamera

Berdiri Stand

12/12

Galeri

Sangat

terang

Kamera

6/12

Galeri

Redup

Kamera

12/12

Galeri

Blur

Kamera

12/12

Galeri

Miring

30°

Kamera

8/12

Galeri

Miring

60°

Kamera 1/12

Galeri

41

Lanjutan

Pengujian citra karakter bahasa Thailand



1.

Normal

Halo Hello

12/12

Sangat

terang

12/12

Redup

12/12

Blur

4/12

Miring

30°

3/12

Miring

60°

3/12

2.

7

.

Normal

Jalan tol Toll

road

6/12

Sangat

terang

6/12

Redup

0

Blur

6/12

Miring

30°

3/12

Miring

60° 0

3.

7

.

Normal

Bintang Star

6/6

Sangat

terang

6/6

Redup

6/6

Blur

6/6

Miring

30°

0

Miring

60°

0

4.

7

.

Normal

Harimau Tiger

7/8

42

Lanjutan



Sangat

terang 8/8

Redup

8/8

Blur

4/8

Miring

30°

4/8

Miring

60°

1/6

5.

7

.

Normal

Dijual Sale

6/6

Sangat

terang

6/6

Redup

6/6

Blur

5/6

Miring

30°

4/6

Miring

60°

1/6

6.

Normal

Pulau Island

8/8

Sangat

terang

4/8

Redup

8/8

Blur

8/8

Miring

30°

5/8

Miring

60°

1/8

7.

7

.

Normal

Tas Bag 14/14

43

Lanjutan



Sangat

terang

12/14

Redup

14/14

Blur

7/14

Miring

30°

3/14

Miring

60°

0

8.

7

.

Normal

Terima

kasih

Thank

you

12/12

Sangat

terang

12/12

Redup

6/12

Blur

6/12

Miring

30°

9/12

Miring

60°

2/12

9.

7

.

Normal

Perem-

puan Women

8/8

Sangat

terang

8/8

Redup

7/8

Blur

5/8

Miring

30°

5/8

Miring

60°

0

10.

7

.

Normal

24 jam

sehari

24

hours a

day

8/8

44

Lanjutan

No Skenario

Citra OCRed teks Terjemahan

Akurasi

Kamera Galeri Kamera Galeri Indonesia Inggris

Sangat

terang

8/8

Redup

8/8

Blur

4/8

Miring

30°

5/8

Miring

60°

0

Lampiran 2 Lembar kuesioner dengan tanggapan responden

PENGUJIAN USABILITY





2015

Nama Lengkap : ________________________________________

Usia : ____ tahun

Tempat/tanggal Lahir : ________________________________________

Jenis Kelamin : 1. Laki-laki 2. Perempuan

KETERANGAN:

SS= Sangat Setuju RR=Ragu-ragu STS=Sangat Tidak Setuju

S=Setuju TS=Tidak Setuju

Bubuhkan tanda ceklist (√) pada kolom yang nilainya paling sesuai menurut

Anda. Jawaban yang jujur sangat membantu untuk keberhasilan penelitian

ini. Terima kasih atas partisipasi Anda.

45

Lanjutan

No Pertanyaan Penilaian

SS S RR TS STS

Aspek Learnability

1 Apakah anda berhasil menemukan aplikasi

Android sebagai penerjemah bahasa nonlatin

dengan pengenalan citra karakter?

1 4

2 Apakah ikon aplikasi mudah dikenali? 5

3 Apakah anda berhasil membuka aplikasi

Android “Non-Latin Translator”?

2 3

Aspek Efficiency

4 Apakah tampilan aplikasi mudah dikenali? 4 1

5 Apakah tulisan pada layar mudah dibaca? 2 3

6 Apakah komposisi warna sudah sesuai? 1 3 1

7 Apakah aplikasi mudah dioperasikan? 2 3

Aspek Memorability

8 Apakah nama aplikasi mudah diingat? 1 2 2

9 Apakah fungsi aplikasi mudah diingat? 1 4

10 Apakah tombol-tombol pada aplikasi mudah

dimengerti?

2 3

11 Apakah tombol-tombol pada aplikasi mudah

digunakan?

2 3

12 Apakah bahasa yang digunakan mudah

dimengerti?

4 1

Aspek Errors

13 Apakah aplikasi dapat melakukan pemilihan

bahasa asal dengan baik?

4 1

14 Apakah anda berhasil menggunakan tombol

Take Image?

1 4

15 Apakah anda berhasil melakukan fungsi crop? 3 2

16 Apakah aplikasi berhasil mengambil gambar

dari kamera dan galeri?

3 1 1

17 Apakah aplikasi dapat mengenali karakter

nonlatin dengan baik?

2 2 1

18 Apakah aplikasi dapat melakukan pemilihan

bahasa tujuan dengan baik?

5

19 Apakah aplikasi dapat menerjemahkan karakter

nonlatin ke dalam bahasa Indonesia dan

Inggris?

5

20 Apakah anda berhasil menggunakan tombol

Reset?

2 2 1

Aspek Satisfaction

21 Apakah anda setuju aplikasi ini cukup

membantu dalam mengenali citra karakter

nonlatin?

1 4

22 Apakah anda setuju aplikasi ini cukup

membantu menerjemahkan teks nonlatin?

2 3

46

Lanjutan

No Pertanyaan Penilaian

SS S RR TS STS

23 Apakah spesifikasi aplikasi yang ditawarkan

sesuai dengan kebutuhan?

1 2 2

24 Apakah anda ingin menggunakan aplikasi ini

pada perangkat mobile anda?

1 1 3

25 Apakah anda akan menyarankan teman

menggunakan aplikasi ini?

1 2 2

47

RIWAYAT HIDUP

Penulis dilahirkan di Semarang pada 30 Mei 1990 dari pasangan Bapak

Purwoto dan Ibu Morita. Penulis yang merupakan lulusan dari SMA N 15

Semarang pada tahun 2008 kemudian melanjutkan studi dengan jenjang diploma

Politeknik Telkom Bandung hingga pada tahun 2011 dan pada tahun 2012

melanjutkan pendidikan sebagai mahasiswa program studi Ilmu Komputer,

Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam,

Institut Pertanian Bogor.

APLIKASI ANDROID PENERJEMAH BAHASA NON-LATIN ... - … · diterjemahkan ke dalam bahasa Inggris,...

Documents

Transcript of APLIKASI ANDROID PENERJEMAH BAHASA NON-LATIN ... - … · diterjemahkan ke dalam bahasa Inggris,...