SEGMENTASI BARIS CITRA LONTAR AKSARA KUNO … · 2019. 8. 6. · Segmentasi merupakan salah satu...

SEGMENTASI BARIS CITRA LONTAR AKSARA KUNO MENGGUNAKAN

METODE SHREDDING TEXT

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

JOEVIAN CAESARIO JUHARDI

155314078

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2019

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

ANCIENT PALM LEAVES HANDWRITTEN TEXT LINE SEGMENTATION

BY USING SHREDDING METHOD

THESIS

In a Partial Fulfilment of Requirements

for The Degree of Sarjana Komputer

Department of Informatic Engineering

JOEVIAN CAESARIO JUHARDI

155314078

INFORMATICS ENGINEERING STUDY PROGRAM

INFORMATICS ENGINEERING DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2019


iii


iv


v


vi


vii

ABSTRAK

Segmentasi terdiri dari 2 tahap yaitu segmentasi baris dan juga segmentasi

karakter. Masalah yang terjadi pada proses segmentasi baris, khususnya untuk

dokumen aksara kuno adalah terkadang terdapat aksara yang mempunyai tinggi yang

berbeda – beda, dan pada beberapa kasus aksara tersebut tersambung dengan aksara

dibaris atas atau bawahnya.Penelitian ini akan dibangun sistem yang melakukan

segmentasi baris menggunakan metode Shredding Text. Data citra yang dipakai adalah

citra daun lontar beraksara kuno berjumlah 10 buah citra. Preprocessing yang

dilakukan adalah grayscaling, binerisasi, reduksi noise, mencari tinggi karakter, dan

blurring image. Tahap segmentasi yang dilakukan adalah pelacakan untuk area baris,

pelabelan area baris, menghapus area kecil dan menghapus objek kecil. Hasil penelitian

memperoleh evaluasi hasil kinerja sistem untuk Detection Rate sebesar 93.079%,

Recognition Accuracy sebesar 90.2629%, dan Perfomance Metric sebesar 91.5326%.

Kata Kunci : daun lontar aksara kuno, preprocessing, segmentasi baris, Shredding

Text


viii

ABSTRACT

Segmentation consists of two stages, namely line segmentation and character

segmentation. The problem that occurs in the line segmentation process, especially for

ancient script documents is that sometimes there are characters that have different

heights, and in some cases the letters are connected with letters in the upper or lower

lines. This study will build a system that segmented lines using methods Text

Shredding. The image data used is the image of ancient illusory palm leaves with 10

images. Preprocessing is done by grayscaling, binarization, noise reduction, looking

for high character, and blurring image. The segmentation phase that is carried out is

tracking for the line area, labeling the line area, removing small areas and removing

small objects. The results of the study obtained evaluation of system performance

results for Detection Rate of 93,079%, Recognition Accuracy of 90.2629%, and

Perfomance Metric of 91.5326%.

Keyword: ancient palm leaves, preprocessing, line segmentation, Shredding Text


ix

KATA PENGANTAR

Puji dan syukur penulis panjatkan kehadirat Tuhan Yesus Kristus atas rahmat

dan karunia-Nya, sehingga penulis dapat menyelesaikan tugas akhir dengan judul

“Segmentasi Baris Citra Lontar Aksara Kuno Menggunakan Metode Shredding

Text” dengan baik dan tepat waktu. Tugas akhir ini merupakan salah satu persyaratan

yang wajib untuk ditempuh sebagai syarat akademik untuk memperoleh gelar sarjana

komputer program studi Teknik Informatika Universitas Sanata Dharma Yogyakarta.

Dalam menyelesaikan tugas akhir ini penulis mendapatkan dukungan dan

bimbingan dari berbagai pihak. Pada kesempatan ini, penulis mengucapkan banyak

terima kasih kepada:

1. Keluarga saya yang selalu mengingatkan saya dan juga telah memberikan

dukungan untuk saya menyelesaikan tugas akhir saya.

2. Ibu Dr. Anastasia Rita Widiarti, M.Kom selaku dosen pembimbing tugas

akhir yang telah bersedia memberikan arahan, masukan, waktu serta

motivasi kepada penulis selama menyelesaikan skripsi.

3. Bapak Yohannes Widodo, S.S selaku penjaga Perpustakaan Universitas

Sanata Dharma khususnya pada bagian koleksi Artati yang telah bersedia

meluangkan waktu, arahan, dan tempat untuk mengambil data serta

menyediakan data – data daun lontar yang dipakai dalam penelitian ini.

4. Seluruh dosen Teknik Informatika Universitas Sanata Dharma yang telah

mendidik dan memberikan ilmu pengetahuan selama proses perkuliahan.

5. Saudara – saudara Welok Played yang telah menjadi sumber inpirasi dan

motivasi karena telah menghidupkan kegiatan selama proses perkuliahan

saya dan juga kegiatan diluar perkuliahan.

6. Saudara Theodulus Titho dan Tubagus Rendy yang telah menemani saya

selama kegiatan perkuliahan dan juga kegiatan diluar perkuliahan serta


x


xi

DAFTAR ISI

HALAMAN JUDUL ....................................................................................................i

TITLE PAGE ...............................................................................................................ii

HALAMAN PERSETUJUAN ...................................................................................iii

HALAMAN PENGESAHAN ....................................................................................iv

PERNYATAAN KEASLIAN KARYA ......................................................................v

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS ...................................................................vi

ABSTRAK ................................................................................................................vii

ABSTRACT .............................................................................................................viii

KATA PENGANTAR ................................................................................................ix

DAFTAR ISI ..............................................................................................................xi

DAFTAR GAMBAR ................................................................................................xiv

DAFTAR TABEL…. ...............................................................................................xvi

BAB I PENDAHULUAN ...........................................................................................1

1.1. Latar Belakang ..........................................................................................1

1.2. Rumusan Masalah .....................................................................................3

1.3. Tujuan Penelitian ......................................................................................4

1.4. Manfaat Penelitian ....................................................................................4

1.5. Batasan Masalah .......................................................................................4

1.6. Metodologi Penelitian ...............................................................................4

1.7. Sistematika Penulisan ...............................................................................5

BAB II LANDASAN TEORI .................................................................................... 7

2.1. Daun Lontar ............................................................................................ 7

2.2. Definisi dan Representasi Citra …........................................................... 7

2.2.1. Citra Warna …………………………………………………………… 8

2.2.2. Citra Abu – Abu ……………………………………………………….8


xii

2.2.3. Citra Biner ……………………………………………………………..8

2.3. Akuisisi Data …………........................................................................... 9

2.4. Segmentasi Shredding Text …………..................................................... 9

2.4.1. Preprocessing …………………………………………………………10

2.4.1.1. Cropping ……………………………………………………………10

2.4.1.2. Grayscaling …………………………………………………………10

2.4.1.3. Binerisasi …………………………………………………………...11

2.4.1.4. Konektivitas Komponen ……………………………………………11

2.4.1.5. Reduksi Noise ………………………………………………………12

2.4.1.6. Blurring Image ……………………………………………………...12

2.4.2. Segmentasi Baris Shredding Text …………………………………….13

2.4.2.1. Membuat pelacak untuk area baris (Tracing line areas) ……………13

2.4.2.2. Pelabelan pelacak untuk area baris (Labelling line areas) ………….14

2.4.2.3. Menampilkan hasil segmentasi…………………………. ………….15

2.5. Evaluasi Kinerja Sistem………………………………………………... 15

BAB III METODE PENELITIAN .......................................................................... 16

3.1. Gambaran Umum ....................................................................................16

3.2. Desain Penelitian ................................................................................... 16

3.2.1. Studi Literatur ………………………………………………………...16

3.2.2. Pengumpulan Data Penelitian ………………………………………...16

3.2.2.1. Pengumpulan Citra Daun Lontar Beraksara Kuno …………………17

3.2.2.2. Cropping ……………………………………………………………18

3.3. Analisa Kebutuhan Proses ……………………………………………...19

3.3.1. Preprocessing …………………………………………………………21

3.3.2. Segmentasi Baris ……………………………………………………..25

3.4. Perancangan Antar Muka Alat Uji ……………………………………..31

3.5. Spesifikasi Perangkat Keras dan Perangkat Lunak …………………….32

3.5.1. Perangkat Keras ………………………………………………………32

3.5.2. Perangkat Lunak ……………………………………………………...33


xiii

BAB IV HASIL DAN PEMBAHASAN ...................................................................34

4.1. Data Masukan .........................................................................................34

4.2. Preprocessing ..........................................................................................33

4.2.1. Baca file citra …………………………………………………………35

4.2.2. Grayscaling …………………………………………………………...35

4.2.3. Binerisasi ……………………………………………………………..36

4.2.4. Reduksi Noise ………………………………………………………...37

4.2.5. Mencari Tinggi Karakter ……………………………………………..41

4.2.6. Blurring Image ………………………………………………………..42

4.3. Pencarian Jalur Pelacak ………………………………………………...44

4.3.1. Pencarian Jalur Pelacak LA …………………………………………..44

4.3.2. Pelabelan Jalur Pelacak LA …………………………………………..45

4.4. Menampilkan Hasil Segmentasi ………………………………………..48

4.5. Evaluasi Kinerja Sistem…………………………………………………53

BAB V PENUTUP ....................................................................................................57

5.1. Kesimpulan ..........................................................................................................57

5.2. Saran ...................................................................................................................57

DAFTAR PUSTAKA ................................................................................................58

LAMPIRAN…………………………………………………………………………59


xiv

DAFTAR GAMBAR

Gambar 2.1. Contoh citra daun lontar beraksara……….............................................. 7

Gambar 2.2. Contoh penerapan proses filter blur …………………………………...13

Gambar 2.3. Contoh hasil pencarian pelacak untuk area garis ……………………...14

Gambar 3.1. Diagram blok Segmentasi Baris Citra Lontar Aksara Menggunakan

Metode Shredding Text ……………………………………………………………..17

Gambar 3.2. Diagram Proses Segmentasi Baris Citra Lontar Aksara Menggunakan

Metode Shredding Text ……………………………………………………………..19

Gambar 3.3. Diagram Proses Preprocessing ………………………………………..21

Gambar 3.4. Diagram Proses Segmentasi Baris …………………………………….26

Gambar 3.5. Prototype Rancangan Antar Muka Alat Uji ……………...…………...31

Gambar 4.1. Data Citra Asli ………………………………………………………...34

Gambar 4.2. Data Citra Hasil Pemotongan …………………………………………34

Gambar 4.3. Hasil Baca File kuno 1.jpg …………………………………………….35

Gambar 4.4. Hasil Proses Grayscaling ……………………………………………...36

Gambar 4.5. Hasil Proses Binerisasi ………………………………………………...37

Gambar 4.6. Contoh Noise……………...…………………………………………...37

Gambar 4.7. Hasil Proses Reduksi Noise Memakai bwareaopen …………………..38

Gambar 4.8. Screenshoot Tabel Hasil Penyelidikan Label …………………………39

Gambar 4.9. Hasil Reduksi Noise Tahap 2 ………………………………………….40

Gambar 4.10. Screenshot Tabel Hasil Pencarian Tinggi Label ……………………..41

Gambar 4.11. Hasil Blurring Image ………………………………………………...43

Gambar 4.12. Contoh Bagian Filter Blur ……………………………………………43

Gambar 4.13. Hasil Pelacakan LA ………………………………………………….45

Gambar 4.14. Hasil Bagian Pelacakan LA…………………………………………..45

Gambar 4.15. Screenshoot Tabel Hasil Penyelidikan LLA …………………………46

Gambar 4.16. Screenshot Tabel LLA Hasil Penyelidikan Setelah Difilter …………48

Gambar 4.17. Screenshot Tabel Penyelidikan Area Objek Kecil……………………49


xv

Gambar 4.18. Screenshot Tabel Hasil Setelah Proses Penghapusan Objek Kecil…..50

Gambar 4.19. Hasil Segmentasi 1 …………………………………………………..51





xvi

DAFTAR TABEL

Tabel 3.1. Perangkat Keras (Hardware)…………………………………………......32

Tabel 3.2. Perangkat Lunak (Software)……………………………………………...33

Tabel 4.1. Tabel Evaluasi Sistem…………………………………………………....53


1

BAB 1

PENDAHULUAN

1.1.Latar Belakang

Indonesia merupakan sebuah Negara yang terdiri dari lebih dari 10 ribu

pulau. Dengan banyaknya jumlahnya pulau tersebut, Indonesia dikenal dunia

sebagai Negara kepulauan terbesar di Asia bahkan Indonesia juga merupakan

Negara kepulauan terbesar di dunia. Indonesia merupakan terdiri dari beberapa

pulau besar diantaranya Pulau Sumatera, Pulau Jawa, Pulau Kalimantan, Pulau

Sulawesi, dan juga Pulau Papua. Setiap pulau yang ada di Indonesia masing –

masing mempunyai kebudayaan – kebudayaan yang berbeda - beda, bahkan di

dalam setiap pulau tersebut mempunyai kebudayaan yang berbeda – beda di hampir

setiap daerah di dalam sebuah pulau itu sendiri. Kebudayaan tersebut meliputi

rumah adat, pakaian adat, upacara adat, seni musik, seni tari tradisional, seni rupa,

senjata tradisional, suku bangsa, bahasa daerah, dan juga seni aksara atatu seni

tulisan.

Pada era yang semakin modern ini, sebagai Negara yang mempunyai

kebudayaan yang sangat besar dan beragam ini, Indonesia semakin dituntut untuk

mengikuti perkembangannya tanpa menghilangkan aspek kebudayaan –

kebudayaannya. Salah satu dari sekian banyak kebudayaan tersebut yaitu

kebudayaan tentang seni aksara atau seni tulis. Seni aksara atau seni tulisan sendiri

merupakan sebuah kesenian yang berbentuk tulisan tangan yang mengandung

unsur kesenian dan keiindahan di dalam setiap katanya. Salah satu bentuk dari seni

aksara adalah tulisan Aksara daerah kuno, misalnya Aksara Jawa, Aksara Sunda,

dan ada juga Aksara Bali.

Semakin bertambahnya waktu, usia daun lontar yang merupakan

peninggalan dari masa lalu pastilah semakin bertambah. Dengan bertambahnya

usia, daun lontar itu sendiri cepat atau lambat pasti semakin rapuh sehingga daun

lontar yang berisi aksara – aksara kuno peninggalan jaman dulu akan semakin


2

mudah rusak. Di dalam era yang semakin canggih ini, era ini menawarkan banyak

sekali cara dalam perawatan ataupun pelestarian daun lontar kuno itu sendiri.

Digitalisasi merupakan salah satu contoh penawaran yang ditawarkan teknologi –

teknologi pada jaman yang modern ini. Digitalisasi sendiri merupakan sebuah

proses mengubah informasi yang sifatnya analog, seperti kertas, dokumen, dan

yang lainya menjadi bersifat digital. Media yang digunakan dalam mendigitalkan

sesuatu seperti dokumen ataupun daun lontar sangatlah beragam, antara lain adalah

kamera dan scanner. Dengan kamera, kita dapat mengabadikan sebuah momen

ataupun sebuah gambaran suatu benda ke dalam bentuk digital.

Bentuk digital yang berasal dari kamera itu dapat dinamakan sebagai citra

digital. Sebuah citra digital dapat diolah sedemikian rupa dengan bantuan media

olah lainya seperti komputer. Dengan bantuan komputer, gambar atau citra yang

telah kita simpan dapat diproses sehingga dapat mengeluarkan output sesuai yang

diinginkan. Transliterasi atau yang disebut alih aksara merupakan salah satu dari

sekian banyak contoh proses yang dapat kita lakukan dengan data berupa citra

digital, dalam hal ini citra tersebut merupakan citra dokumen.

Citra dokumen merupakan sebuah citra yang memuat tulis – tulisan. Dalam

proses transliterasi pada sebuah perangkat, seperti komputer, pastilah

membutuhkan beberapa pemrosesan citra. Pemrosesan tersebut bisa terdiri dari

preprocessing, ekstraksi ciri, klasifikasi dan yang lainnya. Dalam preprocessing

sendiri, proses tersebut dapat membantu dalam komputasi, misalnya binerisasi,

grayscaling, cropping, dan sebagainya.

Segmentasi merupakan salah satu contoh dalam tahap – tahap yang

diperlukan dalam alih aksara sebuah citra dokumen. Segmentasi terdiri dari 2 tahap

yaitu segmentasi baris dan juga segmentasi kata. Segmentasi baris merupakan

proses dimana program dapat memisahkan baris satu dengan baris lainnya.

Sedangkan segmentasi kata merupakan proses dimana program dapat memisahkan

setiap kata pada citra dokumen tersebut.


3

Kedua proses segmentasi yaitu segmentasi baris dan segmentasi memiliki

masalah – masalahnya tersendiri dalam pemrosesannya. Pada kasus segmentasi

baris, proses segmentasi ini memiliki masalah tersendiri yaitu pada saat melakukan

segmentasi itu sendiri. Masalah yang terjadi pada umumnya, khususnya untuk

dokumen aksara kuno adalah terkadang terdapat aksara yang mempunyai tinggi

yang berbeda – beda, dan pada beberapa kasus aksara tersebut tersambung dengan

aksara dibaris atas atau bawahnya. Salah satu metode yang dapat digunakan untuk

menyelesaikan masalah segmentasi baris tersebut adalah metode Shredding Text.

Metode Shredding Text. Menurut Nicolaou dan Gatos (2009), sebuah citra

dokumen dapat dipotong (shred) menjadi kumpulan potongan di sepanjang celah

putih yang terdapat diantara baris – baris.

Metode Shredding Text telah diciptakan dan digunakan untuk penelitian

oleh A. Nicolau dan B. Gatos pada tahun 2009 dengan judul “Handwritten Text

Line Segmentation by Shredding Text into its Lines”. Penelitian tersebut bertujuan

untuk menciptakan gagasan atau ide metode baru terhadap segmentasi baris pada

citra dokumen. Persentase evaluasi kinerja sistem yang diperoleh dari penelitian

tersebut cukup tinggi yaitu Detection Rate sebesar 98,9%, Recognition Accuracy

sebesar 98,3%, dan Perfomance Metric sebesar 98,6%.

Oleh karena itu, penelitian ini dilakukan untuk mencoba menggunakan

Metode Shredding Text dalam pengukuran persentase keberhasilan segmentasi

baris pada kasus citra daun lontar.

1.2.Rumusan Masalah

Berapakah persentase keberhasilan segmentasi baris citra daun lontar

beraksara kuno dengan menggunakan metode Shredding Text?


4

1.3.Tujuan Penelitian

Mengetahui tingkat keberhasilan sistem dalam melakukan segmentasi baris

menggunakan metode Shredding Text.

1.4.Manfaat Penelitian

Manfaat dari penelitian ini adalah untuk menambah referensi metode yang

dapat digunakan kepada peneliti yang selanjutnya mengenai segmentasi baris

ataupun kepada peneliti yang berkaitan dengan transliterasi citra dokumen.

1.5.Batasan Masalah

Batasan masalah yang digunakan pada penelitian ini adalah sebagai berikut:

1. Citra yang digunakan hanya citra daun lontar aksara kuno.

2. Pemotongan (cropping) terhadap citra yang digunakan dilakukan dengan

pemotongan manual.

3. Pemrosesan yang dilakukan hanya segmentasi baris.

4. Masukan hanya berupa gambar berformat .jpg atau .png

5. Perhitungan objek dalam evaluasi kinerja sistem dilakukan secara manual

1.6.Metodologi Penelitian

1. Studi Literatur

Pada tahap ini semua hal yang mendukung penelitian ini dipelajari

melalui sumber – sumber pengetahuan seperti buku referensi ataupun jurnal

yang berkatian dengan segmentasi baris dalam citra dokumen

2. Perancangan Sistem

Pada tahap ini akan dibangun sebuh sistem yang mempunyai fungsi

sebagai alat uji untuk mengetahui persentase akurasi segmentasi baris dengan

algoritma atau metode yang digunakan.


5

3. Pengumpulan Data

Pada tahap ini data yang akan digunakan dalam penelitian merupakan

data citra daun lontar yang berisikan aksara kuno. Data akan dikumpulkan

dengan menggunakan alat bantu seperti kamera dan tambahan lampu

smartphone. Data yang dipakai merupakan daun lontar yang diambil di

Perpustakaan Universitas Sanata Dharma Yogyakarta

4. Pembuatan Sistem

Pada tahap ini pembangunan sistem akan diimplementasikan

berdasarkan rancangan sistem yang telah dibuat.

5. Pengujian

Pada tahap ini sistem akan diuji dengan menghitung persentase akurasi

yang didapatkan dalam segmentasi baris daun lontar aksara kuno menggunakan

metode Shredding Text.

6. Pembuatan Laporan

Pada tahap ini dilakukan proses pembuatan laporan penelitian yang

didasarkan tahap – tahap dan proses yang telah dilakukan.

1.7.Sistematika Penulisan

BAB I: PENDAHULUAN

Bab I merupakan Bab yang berisi tentang latar belakang tugas akhir dibuat,

rumusan masalah, tujuan penelitian, batasan masalah, metodologi penelitian, dan

sistematika penulisan.

BAB II LANDASAN TEORI

Bab II merupakan Bab yang berisikan tentang teori – teori yang digunakan

dalam penelitian ini.

BAB III METODE PENELITIAN

Bab III merupakan Bab yang berisikan tentang rencana tahapan yang akan

digunakan dalam penyusunan penelitian. Tahapan – tahapan penelitian yang


6

direncanakan meliputi akusisi data / pengumpulan data, pengolahan data, desain

rancangan alat uji, analisis data, cara pengujian, dan juga desain interface user.

BAB IV IMPLEMENTASI DAN ANALISA HASIL

Bab IV merupakan Bab yang berisikan tentang penjelasan mengenai

impelementasi yang telah dibuat dengan penerapan algoritma yang digunakan serta

analisa hasil berupa analisis dan evaluasi

BAB V PENUTUP

Bab V merupakab Bab akhir yang berisikan kesimpulan dari seluruh

penelitian dan saran yang diusulkan kepada pengembangan lebih lanjut.


7

BAB 2

LANDASAN TEORI

2.1.Daun Lontar

Lontar (dari bahasa Jawa: ron tal, "daun tal") adalah daun siwalan atau tal

(Borassus flabellifer atau palmyra) yang dikeringkan dan dipakai sebagai bahan

naskah dan kerajinan (Hinzler, 1993). Daun lontar merupakan salah satu media tulis

yang dipakai di Asia Selatan dan Asia Tenggara. Di Indonesia sendiri, daun lontar

sering ditemukan dan digunakan di Sunda (Jawa Barat), Jawa, Bali, Madura,

Lombok, dan juga Sulawesi. Di pulau Bali sendiri, saat ini daun lontar masih

banyak digunakan untuk keperluan adat ataupun sebagai cinderamata khas Bali.

Gambar 2.1. Contoh citra daun lontar beraksara

(Sumber : Perpustakaan Universitas Sanata Dharma(2019))

2.2.Definisi dan Representasi Citra Digital

Secara umum, pengolahan citra digital adalah manipulasi dan interprestasi

digital dari citra dengan bantuan komputer (Zhou, 1999). Menurut Gonzalez

(2012), citra digital dapat didefinisikan sebagai fungsi dua-dimensi, f (x, y), di

mana x dan y adalah spasial (bidang), dan amplitudo f pada setiap pasangan

koordinat (x, y) disebut intensitas atau tingkat abu-abu gambar pada saat itu. Ketika

x, y, dan nilai amplitudo dari f adalah semua finitie, kuantitas diskrit.

Dalam pemrosesan citra digital, terdapat 3 jenis umum citra yang

digunakan. Menurut Kadir dan Adhi. (2013) jenis citra digital dibagi menjadi 3


8

jenis yaitu citra biner, citra abu, dan citra warna. Jenis – jenis citra dapat

didefinisikan sebagai berikut:

2.2.1. Citra Warna

Citra RGB merupakan citra yang terdiri dari 3 macam keping, yaitu

keping R (merah), G (hijau), dan B (biru). Setiap nilai dari keping tersebut

mempunyai rentang nilai dari nilai 0 sampai 255. Kemungkinan jumlah warna

terbanyak yang dihasilkan dari citra RGB adalah 255 x 255 x 255 atau

16.581.375 warna yang berbeda – beda.

2.2.2. Citra Abu – Abu

Citra grayscale adalah citra yang menangani gradasi antara warna hitam

dan putih (biner) yang secara visual akan dideskripsikan sebagai citra abu –

abu. Pada citra grayscale warna dinyatakan dengan intensitas. Intesitas citra

grayscale memiliki rentang nilai dari 0 sampai 255. Nilai 0 menyatakan warna

hitam dan nilai 255 menyatakan warna putih. Pada citra grayscale, citra yang

memiliki nilai yang mendekati 0 akan semakin gelap, sedangkan citra yang

memiliki nilai yang lebih mendekati 255 akan semakin terang. Dengan kata

lain, semakin kecil nilai grayscale pixel maka semakin gelap citra yang

dihasilkan, sebaliknya semakin besar nilai grayscale pixel maka citra yang

dihasilkan semakin terang.

2.2.3. Citra Biner

Citra biner atau yang biasa disebut sebagai citra hitam-putih. Citra biner

hanya memiliki satu channel warna dan hanya mempunyai 2 kemungkinan nilai

pikselnya, yaitu 1 atau 0. Nilai 0 menyatakan warna hitam sedangkan nilai 1

menyatakan warna putih.


9

2.3.Akuisisi Data

Data Acqusisition atau akuisisi data merupakan suatu proses dalam sebuah

penelitian yang dilakukan dengan tujuan untuk memperoleh data dan juga

menentukan cara untuk mengukur data tersebut serta berapa jumlah data yang

diperlukan dalam penelitian. Dalam proses pengambilan data, khususnya untuk

data citra, data dapat diperoleh melalui pemotretan menggunakan kamera, atau

perangkat lain yang dapat digunakan untuk memotret citra. Data citra yang

didapatkan dapat berasal dari lingkungan sekitar dan dapat diubah kedalam bentuk

digital sehingga dapat diolah komputer.

2.4.Segmentasi Shredding Text

Segmentasi citra bertujuan mendapatkan objek-objek citra dengan cara

membagi citra ke dalam beberapa daerah yang memiliki kemiripan atribut (Kadir

dkk, 2013).

Pada penelitian ini segmentasi yang dilakukan berfokus pada proses

segmentasi baris pada sebuah citra dokumen. Metode yang digunakan untuk

segmentasi adalah metode Shredding Text. Metode ini diciptakan oleh A. Nicolau

dan B. Gatos pada tahun 2009 dengan mengusulkan sebuah strategi citra dokumen

dapat dipisah – pisah ke potongan-potongan baris dengan adanya kesenjangan

(gap) diantara baris-baris. Metode local minima digunakan pada data hasil proyeksi

baris, yang akan menjadi batas segmentasi baris teks. Pendekatan ini didasarkan

pada asumsi topologi bahwa setiap baris teks terdapat jalur dari sisi kanan ke sisi

kiri gambar yang melintasi hanya satu baris teks. Langkah pertama adalah

mengaburkan gambar kemudian menggunakan pelacak untuk mengikuti jalur

paling putih dan paling hitam dari kiri ke kanan dan juga sebaliknya untuk

memisahkan citra menjadi baris teks. Sebelum melakukan langkah pertama

dilakukan tahapan preprocessing yang meliputi grayscaling, binerisasi,

konektivitas komponen, dan reduksi noise terlebih dahulu. Langkah – langkah yang

dilakukan berikut didasarkan pada penelitian B. Gatos, dkk (2009) yaitu:


10

2.4.1. Preprocessing

2.4.1.1.Cropping

Cropping pada sebuh citra merupakan sebuah proses dimana citra yang

diolah dilakukan pemotongan pada koordinat tertentu yang berada pada suatu

area pada citra tersebut. Proses cropping pada sebuah citra termasuk kedalam

kategori operasi geometri citra. Cropping dilakukan untuk menghilangkan

bagian citra yang tidak diinginkan. Cropping juga dapat diartikan dalam

pengolahan citra sebagai pengambilan sebuah bagian atau area dalam sebuah

citra yang diinginkan.

2.4.1.2.Grayscaling

Citra grayscale merupakan sebuah citra yang mempunyai warna

diantara warna hitam dan putih. Citra grayscale direpresentasikan dengan

variasi nilai intensitas tertentu yang berada dalam interval 0 hingga 255. Proses

grayscaling merupakan proses konversi citra dari citra warna atau RGB

menjadi citra grayscale (citra keabuan). Citra RGB memiliki 3 komponen

keping warna yaitu R(merah), G(hijau), B(biru) tersebut akan dikonversikan

menjadi citra grayscale. Citra berwarna dapat dikonversikan menjadi citra

grayscale menggunakan NTSC (National Television System Committee)

(Kadir, dkk, 2012). Operasi yang digunakan untuk melakukan konversi citra

warna RGB menjadi citra grayscale adalah sebagai berikut:

𝑔(𝑥, 𝑦) = 𝑤𝑟𝑅(𝑥, 𝑦) + 𝑤𝑔𝐺(𝑥, 𝑦) + 𝑤𝑏𝐵(𝑥, 𝑦) (2.1)

Dimana berdasarkan NTSC:

wr = bobot komponen R (bernilai 0.299)

wg = bobot komponen G (bernilai 0.587)

wb = bobot komponen B (bernilai 0.144)

g(x,y) = hasil konversi grayscale pada lokasi pixel (x,y)

R(x,y) = nilai piksel pada lokasi (x,y) untuk komponen R


11

G(x,y) = nilai piksel pada lokasi (x,y) untuk komponen G

B(x,y) = nilai piksel pada lokasi (x,y) untuk komponen B

2.4.1.3.Binerisasi

Binerisasi merupakan sebuah pemrosesan citra untuk melakukan

konversi citra dari citra grayscale (abu – abu) menjadi citra biner (hitam putih).

Citra biner merupakan memiliki 2 kemungkinan nilai pada setiap pikselnya

yaitu 1 (putih) dan 0 (hitam). Citra abu-abu dikonversi menjadi citra biner

dengan cara menentukan suatu level keabuan T dalam citra abu-abu, kemudian

setiap piksel pada citra abu-abu diubah menjadi piksel hitam atau putih

berdasarkan nilai level keabuan T tersebut.

𝐼(𝑥, 𝑦) = {1, 𝑗𝑖𝑘𝑎 𝑓(𝑥, 𝑦) > 𝑇0, 𝑗𝑖𝑘𝑎 𝑓(𝑥, 𝑦) ≤ 𝑇

(2.2)

Dengan:

I(x,y) = citra hasil binerisasi

f(x,y) = citra masukan

T = nilai thresholding (nilai ambang)

Pengambangan batas (thresholding) merupakan tahapan yang sangat

penting dalam segmentasi citra digital. Thresholding digunakan dengan tujuan

untuk memilah objek – objek karakter yang diinginkan dari latar belakang citra.

Dalam penelitian ini metode pengambangan batas yang digunakan adalah

metode Sauvola.

2.4.1.4.Konektivitas Komponen

Pada penelitian ini metode konektivitas komponen LI(x,y)

menggunakan fungsi bwlabel yang merupakan fungsi pelabelan dari citra biner

dari Matlab. Pelabelan menggunakan konektivitas 4 ketetanggaan.

𝐿𝐼(𝑥, 𝑦) = {0, 𝑗𝑖𝑘𝑎 𝐼(𝑥, 𝑦) = 0

𝐿𝑎𝑏𝑒𝑙, 𝑗𝑖𝑘𝑎 𝐼(𝑥, 𝑦) ≠ 0 (2.3)


12

Dimana:

LI(x,y) = hasil pelabelan

Label = {1,2,3,4,….N}

2.4.1.5.Reduksi Noise

Noise atau derau pada sebuah citra dapat terjadi karena karakteristik

derajat keabuan (gray level) atau di karenakan adanya variabel acak yang

terjadi karena karakteristik fungsi probabilitas kepadatan (probability density

function (PDF)). Apabila citra yang mengandung noise langsung diproses dan

di ekstrak, maka fitur-fitur pentingnya dapat menimbulkan masalah akurasi.

Jadi sebaiknya citra tersebut dibersihkan dari noise terlebih dahulu, dan

kemudian diproses untuk diekstrak ciri - ciri pentingnya. (Gonzalez, 2002).

Pada penelitian ini metode yang digunakan untuk reduksi noise

dilakukan karena citra yang dibutuhkan untuk kebutuhan sistem merupakan

citra yang tidak memiliki noise. Dalam penelitian ini reduksi noise dilakukan

menggunakan fungsi bwareaopen yang merupakan fungsi dari Matlab untuk

menghilangkan semua konektivitas komponen yang mempunyai nilai piksel

kurang dari suatu nilai yang ditentukan.

2.4.1.6.Blurring Image

Blurring Image adalah proses citra yang dilakukan dengan tujuan untuk

mengkaburkan atau memblurkan citra. Blurring Image dapat dilakukan dengan

berbagai macam teknik. Sebelum melakukan bluring citra dilakukan operasi

histogram untuk mencari perkiraan tinggi huruf yang didefinisikan sebagai LH.

Dalam penelitian ini Blurring Image dilakukan dengan menggunakan rumus

sebagai berikut:

𝐵(𝑥, 𝑦) = ∑ 𝑖=

𝐵𝑊

2

𝑖=−𝐵𝑊

2

∑ 𝐼(𝑥 + 𝑖, 𝑦 + 𝑘)𝑘=

𝐵𝐻

2

𝑘=−𝐵𝐻

2

(2.4)


13

Dengan:

B(x,y) = citra hasil Blurring Image

BW = lebar jendela yang mengaburkan

BH = tinggi jendela yang mengaburkan

B (x, y) adalah gambar yang difilter, BW = LH * 8 adalah lebar jendela

yang mengaburkan dan BH = LH * 0.8 adalah tinggi jendela yang

mengaburkan. BW bertujuan untuk mengaburkan spasi putih di antara kata-kata

secara berturut-turut dalam satu baris dan BH bertujuan untuk mengaburkan

huruf dalam garis yang menjaga celah putih antara dua baris berturut-turut (Du,

dkk, 2009).

Gambar 2.2. Contoh penerapan proses Blurring Image

2.4.2. Segmentasi Baris Shredding Text

Tahapan setelah proses preprocessing adalah tahap segmentasi baris

menggunakan Shredding Text. Tahap Shredding Text dilakukan dibagi menjadi

2 langkah yaitu membuat pelacak untuk area baris dan pelabelan pelacak untuk

area baris

2.4.2.1.Membuat pelacak untuk area baris (Tracing line areas)

Untuk setiap piksel pada citra hasil Blurring Image dari piksel paling

kiri hingga paling kanan terdapat sebuah jalur yang memuat piksel paling putih

(whitest pixel). Dalam perumusannya, dilakukan fungsi sebagai berikut:

𝑇𝑟𝑘,𝐵(1) = 𝑘


14

𝑇𝑟𝑘,𝐵(𝑛 + 1) =

{

𝑇𝑟𝑘,𝐵(𝑛) − 1 𝑖𝑓 𝐵 (𝑛, 𝑇𝑟𝑘,𝐵(𝑛) +

𝐵𝐻

2) > 𝐵(𝑛, 𝑇𝑟𝑘,𝐵(𝑛) −

𝐵𝐻

2)

𝑇𝑟𝑘,𝐵(𝑛) 𝑖𝑓 𝐵 (𝑛, 𝑇𝑟𝑘,𝐵(𝑛) +𝐵𝐻

2) = 𝐵(𝑛, 𝑇𝑟𝑘,𝐵(𝑛) −

𝐵𝐻

2)

𝑇𝑟𝑘,𝐵(𝑛) + 1 𝑖𝑓 𝐵 (𝑛, 𝑇𝑟𝑘,𝐵(𝑛) +𝐵𝐻

2) < 𝐵(𝑛, 𝑇𝑟𝑘,𝐵(𝑛) −

𝐵𝐻

2)

(2.5)

Semua kemungkinan pelacakan pada citra hasil Blurring Image

disimpan kedalam bentuk citra biner dan disimpan ke variabel LA (x, y).

𝐿𝐴(𝑥, 𝑦) = {0 𝑖𝑓 ∃ 𝑘 ∶ 𝑇𝑟𝑘,𝐵(𝑥) = 𝑦

1 𝑖𝑛 𝑎𝑙𝑙 𝑜𝑡ℎ𝑒𝑟 𝑐𝑎𝑠𝑒𝑠 (2.6)

Gambar 2.3. Contoh hasil pencarian pelacak untuk area garis

LA (x, y) berisikan garis strip dari area garis teks sebagai 1s dan titik

pemisahan mereka sebagai 0s. Kemudian proses yang sama untuk menelusuri

jalur putih dari kanan ke kiri dan menggambar lintasan pada LA (x, y) juga,

untuk mengurangi terjadinya garis yang tidak terhubung.

2.4.2.2.Pelabelan pelacak untuk area baris (Labelling line areas)

Setelah pelacak gambar jalur putih LA(x,) terbentuk, selanjutnya

dilakukan pelabelan untuk konektivitas komponen dengan 4 ketetanggaan dan

disimpan ke LLA(x,y).

𝐿𝐿𝐴(𝑥, 𝑦) = {0 𝑖𝑓 𝐿𝐴(𝑥, 𝑦) = 0

𝑙𝑎𝑏𝑒𝑙 𝑖𝑓 𝐿𝐴(𝑥, 𝑦) ≠ 0 (2.7)

Dalam pelabelan, komponen yang mewakili area garis teks dan

komponen yang sangat kecil yang dibuat saat pelacak terkumpul ke lokal

minima. Karena semua komponen dalam LLA (x, y) dianggap mewakili baris

teks yang berbeda, dilakukan filter terhadap komponen yang memiliki piksel

lebih sedikit dari LH^2 (tidak boleh ada garis yang lebih kecil dari huruf).


15

2.4.2.3.Menampilkan hasil segmentasi

Dalam menampilkan hasil segmentasi, dilakukan penggabungan antara

hasil dari preprocessing yaitu hasil citra setelah reduksi noise dengan hasil dari

pelabelan untuk area baris. Sebelum menampilkan dilakukan proses filter untuk

menghapus objek yang memiliki piksel lebih sedikit dari LH * log(LH). Filter

dilakukan untuk menghilangkan objek yang terlalu kecil.

2.5.Evaluasi Kinerja Sistem

Pengukuran tingkat keberhasilan sistem dalam melakukan segmentasi baris

dilakukan dengan menghitung jumlah baris hasil dari sistem dibagi jumlah baris

sebenarnya dikalikan 100. Berikut rumus yang digunakan:

𝐴𝑘𝑢𝑟𝑎𝑠𝑖𝐵𝑎𝑟𝑖𝑠 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑏𝑎𝑟𝑖𝑠 ℎ𝑎𝑠𝑖𝑙 𝑠𝑖𝑠𝑡𝑒𝑚

𝑗𝑢𝑚𝑙𝑎ℎ 𝑏𝑎𝑟𝑖𝑠 𝑠𝑒𝑏𝑒𝑛𝑎𝑟𝑛𝑦𝑎 𝑥 100%

Metode yang digunakan untuk mengukur kinerja sistem dari algoritma yang

digunakan didasarkan pada penghitungan jumlah kecocokan antara entitas yang

terdeteksi oleh algoritma dan entitas dengan perhitungan secara manual (I. Philips,

dkk, 1999). Semakin tinggi nilai Detection Rate, Recognition Accuracy, dan

Performance Matric yang didapatkan, maka semakin baik kinerja sistem yang

dihasilkan. Perhitungan kinerja sistem ini dilakukan dengan tujuan untuk mengukur

seberapa besar tingkat keberhasilan sistem dalam menghitung jumlah objek

perbarisnya hasil dari sistem dengan jumlah objek sebenarnya yang terdapat pada

setiap barisnya.

Berikut rumus yang digunakan:

𝐷𝑅 =𝑜2𝑜

𝑁, 𝑅𝐴 =

𝑜2𝑜

𝑀 , 𝐹𝑀 =

2𝐷𝑅 𝑥 𝑅𝐴

𝐷𝑅+𝑅𝐴 (2.8)

Dengan:

DR = Detection Rate


16

RA = Recognition Accuracy

FM = Performance Metric

N = jumlah objek pada citra asli

M = jumlah objek hasik perhitungan mesin

o2o = jumlah objek yang sesuai


17

BAB 3

METODE PENELITIAN

3.1. Gambaran Umum

Perancangan sistem Segmentasi Baris Citra Daun Lontar Beraksara

menggunakan Metode Shredding Text bertujuan untuk membuat alat uji

perhitungan baris yang terdapat pada citra daun lontar. Gambaran umum sistem

yang akan dibangun dapat dilihat pada gambar diagram blok Gambar 3.1.

dibawah ini.

Gambar 3.1. Diagram blok Segmentasi Baris Citra Lontar Aksara Menggunakan

Metode Shredding Text

Masukan dari sistem merupakan citra daun lontar beraksara. Sistem

melakukan proses segmentasi pada masukan dan menghasilkan keluaran

berupa citra hasil segmentasi beserta jumlah baris yang dideteksi sistem

3.2. Desain Penelitian

3.2.1. Studi Literatur

Studi literatur dilakukan untuk mendapatkan informasi terkait

penelitian yang dilakukan. Studi literatur dilakukan dengan cara

mempelajari buku refrensi dan jurnal - jurnal yang berkaitan dengan

segmentasi baris pada citra menggunakan metode Shredding Text dan

juga segala hal yang berkaitan dengan teori pemrosesan citra.


18

3.2.2. Pengumpulan Data Penelitian

Data penelitian adalah citra daun lontar beraksara yang

didapatkan dari Perpustakan Universitas Sanata Dharma Yogyakarta.

Citra daun lontar yang dipilih merupakan daun lontar beraksara yang

sekiranya mempunyai sedikit noise dan aksara – aksara yang tertulis

dapat dilihat dengan mata telanjang. Data diambil menggunakan

Kamera Canon EOS 600D dengan jarak pengambilan 30 cm dengan

daun lontar dan pencahayaan berasal dari lampu perpustakaan serta 2

lampu senter handphone disesuaikan dengan tingkat kelekukan daun

lontar.

Pada penelitan ini, data yang telah diambil disiapkan untuk alat

uji melalui beberapa tahapan antara lain tahap pengumpulan citra

lontar beraksara, tahap pemotongan (cropping) menggunakan Adobe

Photoshop CS6.

3.2.2.1. Pengumpulan Citra Daun Lontar Beraksara Kuno

Pengumpulan citra daun lontar dilaksanakan di

Perpustakaaan Universitas Sanata Dharma dengan

meminta perizinan terhadap penjaga perpustakaan. Daun

lontar didapatkan pada bagian Koleksi Artati yang

terdapat pada perpustakaan. Daun lontar yang

disediakan berupa satu ikat kumpulan daun lontar yang

beraksara. Kumpulan daun tersebut kemudian dipilih

dengan melihat apakah daun tersebut masih bagus atau

utuh sehingga pada saat pemrosesan ke sistem dapat

berjalan lebih baik. Citra daun lontar diambil dengan

bantuan Kamera Canon EOS 600D dengan jarak sekitar

30cm dari daun lontar dan menggunakan pencahayaan

yang disesuaikan dengan tingkat kelekukan daun lontar.


19

3.2.2.2. Cropping

Citra yang telah diambil dilakukan pemotongan

manual sehingga bagian yang tidak diperlukan dapat

dihilangkan. Bagian yang dipotong hanyalah latar

belakang (background). Cropping manual dilakukan

menggunakan bantuan software Adobe Photosop CS6.

Proses cropping dilakukan secara manual karena

data yang didapatkan memiliki koordinat atau letak

posisi, panjang dan lebar yang berbeda – beda.

3.3. Analisa Kebutuhan Proses

Dalam penelitian ini terdapat 2 proses utama yaitu preprocessing,

segmentasi baris. Berikut diagram proses:

Gambar 3.2. Diagram Proses Segmentasi Baris Citra Lontar Aksara Menggunakan

Metode Shredding Text

Gambar 3.2. menggambarkan tentang urutan proses-proses yang

dilakukan sistem dalam melakukan segmentasi baris citra daun lontar. Proses


20

pertama yang dilakukan adalah membaca file input yang berupa citra daun

lontar, kemudian dilanjutkan dengan tahap preprocessing, segmentasi baris,

dan evaluasi sistem. Penjelasan mengenai langkah-langkah yang dilakukan

sebagai berikut:

3.3.1. Preprocessing

Sebelum data citra diolah maka data citra tersebut harus

disiapkan sedemikian rupa sehingga data tersebut siap untuk

diolah. Berikut diagram proses untuk tahap preprocessing:


21

Gambar 3.3. Diagram Proses Preprocessing


dilakukan sistem dalam melakukan proses preprocessing. Dalam tahapan

pertama preprocessing dilakukan proses grayscaling citra daun lontar aksara

menggunakan fungsi bawaan Matlab yaitu rgb2gray().


22

Tahap kedua adalah proses binerisasi citra daun lontar yang telah

dilakukan grayscaling menjadi citra biner. Proses binerisasi menggunakan

fungsi bawaan Matlab yang mengimplementasikan metode Sauvola dengan

parameter awal (default parameter).

Tahap selanjutnya adalah tahap reduksi noise. Reduksi noise pada

penelitian ini dilakukan dengan 2 tahap. Tahap 1 adalah reduksi noise

menggunakan toolbox bwareaopen yang disediakan oleh Matlab untuk

mengurangi beban komputasi. Tahap 2 adalah reduksi noise yang dilakukan

dengan cara mencari tinggi dan lebar dari setiap komponen label. Tahap awal

reduksi noise adalah dilakukan penyelidikan pada setiap komponen berlabel

dengan cara membuat tabel yang menampung tinggi dan lebar untuk setiap

label.

Berikut adalah pseudocode untuk menjelaskan algoritma reduksi noise

yang digunakan:

• Reduksi noise

1. Buat tabel penyelidikan berisi label, tinggi, dan lebar objek

i. Lakukan pelabelan pada citra

ii. Buat matriks zeros berukuran label tertinggi x 3

iii. Lakukan perulangan dari k=1 hingga label tertinggi

a. Cari koordinat dari tinggi dan lebar pada label k

b. Simpan label k ke tabel(k,1)

c. Simpan tinggi label dengan menghitung nilai koordinat

maksimum tinggi dikurang nilai koordinat minimum

tinggi ke tabel(k,2)

d. Simpan lebar label dengan menghitung nilai koordinat

maksimum dari lebar dikurang nilai koordinat minimum

lebar ke tabel(k,3)

e. Akhiri perulangan


23

iv. Hitung nilai minimum dan standar deviasi dari semua tinggi dan

lebar pada tabel

2. Hapus noise

i. Hitung jumlah baris dan kolom citra berlabel

ii. Buat variabel baru berisi citra yang berlabel

iii. Lakukan perulangan dari i = 1 sampai sejumlah tabel

a. Buat variabel jumlahTinggi berisi tabel(i,2)

b. Buat variabel jumlahLebar berisi tabel(i,3)

c. Hitung nilai kewajaran tinggi dengan jumlahTinggi –

standar deviasi tinggi + nilai minimum dari semua tinggi

d. Hitung nilai kewajaran lebar dengan jumlahLebar –

standar deviasi lebar + nilai minimum dari semua lebar

e. Jika nilai kewajaran tinggi < 0 , maka

a. Lakukan perulangan sejumlah baris

i. Lakukan perulangan sejumlah kolom

1. Jika label(baris, kolom) = i, maka

2. label(baris, kolom) = 0

3. akhiri perulangan

ii. akhiri perulangan

f. Jika nilai kewajaran lebar < 0 , maka

a. Lakukan perulangan sejumlah baris

i. Lakukan perulangan sejumlah kolom

1. Jika label(baris,kolom) = i, maka

2. label(baris,kolom) = 0

3. akhiri perulangan

ii. akhiri perulangan

iv. Akhiri perulangan

v. Ubah tipe data citra hasil reduksi menjadi logical


24

Tahap berikutnya adalah mencari perkiraan tinggi karakter. Tahap

pertama dalam mencari tinggi karakter adalah dengan mencari tinggi untuk

setiap objek dan menyimpan pada suatu variabel. Setelah mencari tinggi untuk

setiap karakter dilakukan pencarian tinggi yang paling banyak muncul atau

mencari modus dari kumpulan tinggi karakter tersebut. Jika semua tinggi

karakter hanya muncul satu kali maka nilai modus ditentukan berdasarkan nilai

tinggi terendah.

Tahap terakhir dari proses preprocessing adalah Blurring Image.

Blurring Image dilakukan untuk mengkaburkan citra yang telah diproses dari

tahap diatas. Output akhir dari Blurring Image adalah citra bertipe double yang

nilai untuk setiap pikselnya diburamkan berdasarkan estimasi tinggi karakter

yang telah dicari pada proses sebelumnya.

Berikut adalah pseudocode untuk menjelaskan algoritma blurring

image yang digunakan:

• Blurring Image

1. Hitung bluring window width hwindow = tinggi karakter * 8

2. Hitung bluring window height vwindow = tingg karakter * 0.8

3. Lakukan pengecekan langkah 1 dan 2

i. Jika hwindow bernilai ganjil maka hwindow + 1

ii. Jika vwindow bernilai ganjil maka vwindow + 1

4. Buat matriks zeros tmpin berukuran (baris citra + vwindow) x (kolom

citra + hwindow )

5. Simpan nilai piksel tmpin pada koordinat (1 + vwindow / 2 sampai end

- vwindow/2) , 1 + hwindow / 2 : end – hwindow / 2) dengan nilai piksel

citra

6. Buat variabel cumsum1 berisi hasil perhitungan kumulatif dari tmpin

7. Buat variabel cumsum2 berisi hasil perhitungan kumulatif dari

cumsum1


25

8. Buat variabel summed1 berisi nilai piksel cumsum2 pada koordinat

((vwindow+1) sampai end) , ((hwindow+1) sampai end)

9. Buat variabel summed2 berisi nilai piksel cumsum2 pada koordinat (1

sampai (end–vwindow)) , (1 sampai (end–hwindow))

10. Buat variabel summed3 berisi nilai piksel cumsum2 pada koordinat

((1+vwindow) sampai end) , (1 sampai (end-hwindow))

11. Buat variabel summed4 berisi nilai piksel cumsum2 pada koordinat (1

sampai (end-vwindow) ), ((hwindow+1) sampai end)

12. Buat variabel RES berisi penjumlahan summed1 dan summed2

dikurang dengan summed3 dan summed4

13. Lakukan perhitungan RES = RES dibagi dengan (vwindow+1 dikalikan

hwindow+1)

3.3.2. Segmentasi Baris

Segmentasi Baris menggunakan metode Shredding Text

dilakukan dengan cara membuat jalur pelacakan untuk area

baris, pelabelan pelacak untuk area baris, dan menampilkan

hasil segmentasi. Berikut adalah diagram proses segmentasi

baris:


26

Gambar 3.4. Diagram proses Segmentasi Baris


dilakukan sistem dalam melakukan proses segmentasi baris. Proses pencarian

pelacakan untuk area baris dan pusat baris dicari dengan perhitungan pada citra

hasil Blurring Image. Pencarian pelacak area baris LA dilakukan untuk mencari

jalur whitest pixels atau dapat disebut piksel terputih dari ujung kiri citra hasil

Blurring Image hingga ujung kanan citra hasil Blurring Image. Pelabelan

pelacak area baris LLA dilakukan dengan fungsi toolbox bwlabel dalam

Matlab. Setelah pelabelan, dilakukan filter untuk area – area yang kecil. Filter

dilakukan pada area yang memiliki nilai piksel yang kurang dari tinggi karakter

pangkat 2 karena tidak ada baris yang lebih kecil dari sebuah kata. Sebelum

menampilkan hasil segmentasi, dilakukan penggabungan antar hasil dari LLA

dan hasil dari preprocessing yaitu hasil setelah reduksi noise.


27

Berikut adalah pseudocode untuk menjelaskan algoritma pencarian

pelacak area baris yang digunakan:

• Pelacakan area baris (LA)

1. Buat matriks ones bertipe logical dengan ukuran citra Blurring

Image

2. Hitung jumlah baris dan kolom citra Blurring Image

3. Hitung tinggi minimal = (tinggi karakter / 2) +1

4. Hitung penyeimbang = tinggi karakter / 2

5. Hitung tinggi maksimal = baris – tinggi minimal

6. Buat variabel laTracers berisi minHeight sampai maxHeight secara

urut

7. Pelacakan dari citra kiri ke citra kanan

Lakukan perulangan dari x = 1 sampai sejumlah kolom

i. Buat variabel b1 berisi nilai piksel Blurring Image pada

koordinat ((laTracers+penyeimbang) , x)

ii. Buat variabel b2 berisi nilai piksel Blurring Image pada

koordinat ((laTracers-penyeimbang) , x)

iii. Untuk laTracers yang memiliki nilai b1 kurang dari b2

maka ditambah 1 setiap nilainya

iv. Untuk laTracers yang memiliki nilai b1 lebih dari b2

maka dikurang 1 setiap nilainya

v. Untuk laTracers yang memiliki nilai laTracers kurang

dari offset+1 maka offset ditambah 1

vi. Untuk laTracers yang memiliki nilai laTracers lebih dari

(maxheigth-offset) maka diubah menjadi hasil

maxheigth-offset

vii. Untuk setiap piksel LA pada koordinat laTracers, x

diubah menjadi 0


28

8. Pelacakan dari citra kanan ke citra kiri

Buat variabel seperti pada Langkah 6

Lakukan perulangan dari x = jumlah kolom sampai 1

i. Buat variabel b1 berisi nilai piksel Blurring Image pada

koordinat ((laTracers+penyeimbang) , x)

ii. Buat variabel b2 berisi nilai piksel Blurring Image pada

koordinat ((laTracers-penyeimbang) , x)

iii. Untuk laTracers yang memiliki nilai b1 kurang dari b2

maka ditambah 1 setiap nilainya

iv. Untuk laTracers yang memiliki nilai b1 lebih dari b2

maka dikurang 1 setiap nilainya

v. Untuk laTracers yang memiliki nilai laTracers kurang

dari offset+1 maka offset ditambah 1

vi. Untuk laTracers yang memiliki nilai laTracers lebih dari

(maxheigth-offset) maka diubah menjadi hasil

maxheigth-offset

vii. Untuk setiap piksel LA pada koordinat laTracers, x

diubah menjadi 0

Berikut adalah pseudocode untuk menjelaskan algoritma pelabelan

pelacak area baris yang digunakan:

• Pelabelan area baris (LLA)

1. Gunakan fungsi bwlabel Matlab untuk pelabelan LLA

2. Buat tabel penyelidikan untuk label LLA pada langkah 1

a. Buat tabel matriks zeros berukuran jumlah label x 3

b. Lakukan perulangan dari k sampai jumlah label

• Cari koordinat dari baris dan kolom pada label k

• Simpan label k pada tabelLLA(k,1)


29

• Simpan nilai maksimum dari tinggi dikurang

minimum tinggi ke tabelLLA(k,2)

• Simpan nilai maksimum dari lebar dikurang

minimum lebar ke tabelLLA(k,3)

• Akhiri perulangan

3. Hapus area kecil

a. Hitung jumlah baris dan kolom dari LLA

b. Buat variabel LLA_baru = LLA

c. Kuadratkan tinggi karakter

d. Lakukan perulangan dari j = 1 sampai sejumlah tabel

i. Buat variabel untuk menampung tabelLLA(i,3)

ii. Jika langkah i. bernilai

30

4. Buat tabel penyelidikan untuk RES

a. Buat tabel matriks zeros berukuran jumlah label x 3

b. Lakukan perulangan dari k sampai jumlah label

i. Cari koordinat dari baris dan kolom pada label k

ii. Simpan label k pada tabelRES(k,1)

iii. Simpan nilai maksimum dari tinggi dikurang

minimum tinggi ke tabelRES(k,2)

iv. Simpan nilai maksimum dari lebar dikurang

minimum lebar ke tabelRES(k,3)

v. Akhiri perulangan

5. Hapus objek kecil

a. Hitung jumlah baris dan kolom dari RES

b. Buat variabel RES_baru = RES

c. Lakukan perkalian tinggi karakter dengan log(tinggi

karakter) dan simpan ke variabel lh_log

d. Lakukan perulangan dari i = 1 sampai sejumlah tabel

i. Buat variabel untuk menampung tabelRES(i,3)

ii. Jika langkah i. bernilai

31

3.3.3. Evaluasi Kinerja Sistem

Dalam melakukan evaluasi kinerja sistem, dilakukan

perhitungan secara manual mencari jumlah objek setiap baris

untuk citra hasil tahap preprocessing, perhitungan dengan

mengggunakan fungsi bwconncomp pada MATLAB untuk

menghitung jumlah objek untuk setiap hasil segmentasi oleh

sistem, dan perhitungan secara manual untuk mencarijumlah

objek yang sesuai antara jumlah objek setiap baris untuk citra hasil

tahap preprocessing dan jumlah objek untuk setiap hasil

segmentasi oleh sistem. Dari perhitungan tersebut, maka

dilakukan perhitungan untuk Detection Rate, Recognition

Accuracy, dan Performance Metric.

3.4. Perancangan Antar Muka Alat Uji

Prototype sistem segmentasi baris citra daun lontar aksara kuno

menggunakan metode Shredding Text yang akan dibangun memiliki desain

interface seperti pada gambar dibawah ini.

Gambar 3.5. Prototype Rancangan Antar Muka Alat Uji


32

Berikut penjelasan mengenai Gambar 3.5. Prototype Rancangan Antar Muka Alat Uji:

1. Axes1, digunakan untuk menampilkan logo Universitas Sanata Dharma

2. Axes7, digunakan untuk menampilkan citra masuk / citra asli

3. Axes6, digunakan untuk menampilkan citra hasil preprocessing

4. Axes4, digunakan untuk menampilkan citra Blurring Image

5. Axes9, digunakan untuk menampilkan citra hasil LA

6. Axes5, digunakan untuk menampilkan citra hasil segmentasi

7. Push button browse, digunakan untuk memilih file citra

8. Push button proses, digunakan untuk memproses sistem

3.5. Spesifikasi Perangkat Keras dan Perangkat Lunak

Berikut merupakan spesifikasi perangkat keras dan perangkat lunak

yang digunakan penulis dalam melakukan pembangunan dan pengujian sistem

yang dibuat:

3.5.1. Perangkat Keras (Hardware)

Tabel 3.1. Spesifikasi Perangkat Keras

RAM 8.00 GB

Tipe Sistem Sistem Operasi 64-bit

Harddisk 1 TB

Processor Intel Core i5-8250U, CPU @3.4 GHz


33

3.5.2. Perangkat Lunak (Software)

Tabel 3.2. Spesifikasi Perangkat Lunak

Sistem Operasi Windows 10

Program Pengembang Alat Uji Matlab 2014b

Program Pendukung Alat Uji Adobe Photosop CS6


34

BAB IV

HASIL DAN PEMBAHASAN

4.1.Data Masukan

Data masukan untuk pengujian didapatkan dari Perpustakaan Universitas

Sanata Dharma Yogyakarta. Data diambil menggunakan Kamera Canon EOS 600D

dengan jarak pengambilan 30 cm. Data yang diambil sebanyak 10 citra daun lontar

aksara kuno. Berikut adalah citra yang telah diambil:

Gambar 4.1. Data Citra Asli

Setelah data telah diambil dan disimpan, dilakukan proses cropping atau

pemotongan manual menggunakan Adobe Photoshop CS6. Adapun hasil proses

pemotongan yang telah dilakukan sekaligus penamaan untuk setiap file:

Gambar 4.2. Data Citra Hasil Pemotongan

4.2.Preprocessing

Seperti yang dapat dilihat pada Gambar 3.3 yaitu Gambar Diagram Proses

Preprocessing, penelitian ini melakukan preprocessing antara lain grayscaling,

binerisasi, reduksi noise, mencari tinggi karakter, dan blurring image. Berikut

adalah hasil percobaan dan analisis yang telah dilakukan:


35

4.2.1. Baca file citra daun lontar

Langkah pertama adalah baca file citra daun lontar dilakukan

menggunakan fungsi imread yang terdapat pada MATLAB.

Gambar 4.3. Hasil Baca File kuno 1.jpg

Gambar 4.3 merupakan citra kuno 1.jpg yang akan menjadi contoh masukan

kedalam sistem. Citra yang digunakan merupakan sebuah citra yang berukuran 495 x

2544 dengan keping 3.

4.2.2. Grayscaling

Data yang telah dijadikan masukan kemudian diubah menjadi citra

berskala keabuan. Proses ini disebut dengan grayscaling. Grayscaling

dilakukan menggunakan fungsi rgb2gray()pada Matlab.


36

Gambar 4.4. Hasil Proses Grayscaling

4.2.3. Binerisasi

Proses binerisasi merupakan proses dimana citra berskala abu – abu

diubah menjadi citra biner atau hitam putih. Proses ini dilakukan untuk

memisahkan objek citra dan latar belakang citra. Untuk proses binerisasi

dilakukan dengan menggunakan binerisasi metode Sauvola menggunakan

default parameter.

Berikut adalah code yang digunakan:

gambar_asli=imread('C:\Users\asus\Desktop\Skripsi\New folder\kuno

1.jpg');

gambar_gray=rgb2gray(gambar_asli);

gambar_sauvola=(sauvola(gambar_gray,[30 30], 0.15));

imshow(gambar_sauvola)


37

Gambar 4.5. Hasil Proses Binerisasi

Jika Gambar 4.5. diperbesar maka masih terdapat noise atau objek yang tidak

dibutuhkan. Noise dapat dilihat seperti dibawah ini:

Gambar 4.6. Contoh Noise

4.2.4. Reduksi Noise

Reduksi Noise dalam penelitian ini menggunakan 2 langkah, yang

pertama adalah menggunakan fungsi Matlab yaitu bwareaopen untuk

membantu mempercepat komputasi dan menggunakan penyelidikan terdahap

tabel yang dibuat. Penyelidikan yang dilakukan dibagi menjadi 2 tahapan yaitu

membuat tabel yang berisikan label, tinggi dan lebar label, dan fungsi


38

menghapus noise itu sendiri. Berikut adalah citra hasil binerisasi setelah dikenai

fungsi bwareaopen.

Gambar 4.7. Hasil Proses Reduksi Noise Memakai bwareaopen

Setelah dilakukan reduksi noise menggunakan fungsi bwareaopen dari Matlab,

dilakukan proses reduksi noise tahap 2 yaitu dengan menggunakan penyelidikan untuk

setiap objek. Reduksi noise tahap 2 dilakukan dengan 2 tahapan yaitu membentuk tabel

yang berisikan label beserta tinggi dan lebarnya, dan yang berikutnya menghapus noise

itu sendiri.

Berikut merupakan implementasi dari algoritma yang telah dibuat:

function [ tabel,tinggimin,lebarmin,stdevtinggi,stdevlebar] =

tabelReduksiNoise( label )

tabel=zeros(max(label(:)),3);

for k=1 : max(label(:))

[r,c] = find(label==k);

tabel(k,1) = k;

tabel(k,2) = (max(r) - min(r))+1;

tabel(k,3) = (max(c) - min(c))+1;

end

tinggimin=min(tabel(:,2));

lebarmin=min(tabel(:,3));

stdevtinggi=std(tabel(:,2));

stdevlebar=std(tabel(:,3));


39

end

Gambar 4.8. Screenshoot Tabel Hasil Penyelidikan Label

Gambar 4.8 merupakan tabel hasil dari perhitungan sistem yang telah

dilakukan. Baris 1 merupakan label, baris 2 merupakan tinggi label, dan baris 3

merupakan lebar label. Setelah didapatkan tabel penyelidikan, dilakukan penghapus

noise yang disesuasikan dengan ketentuan nilai kewajaran tinggi dan lebar label.

Berikut merupakan implementasi code yang dilakukan:

function [ labelBaru ] = hapusnoise

(label,tabel,tinggimin,lebarmin,stdevtinggi,stdevlebar)

[baris, kolom] = size(label);

labelBaru = label;

for i = 1 : length(tabel)

tinggiLabel = tabel(i,2);

lebarLabel = tabel(i,3);

wajar1=tinggiLabel - stdevtinggi + tinggimin;


40

wajar2=lebarLabel - stdevlebar + lebarmin;

if(wajar1

41

4.2.5. Mencari Tinggi Karakter

Algoritma untuk mencari tinggi karakter yang telah dirancang

diimplementasikan kedalam bentuk code. Sebelum dilakukan pencarian terhadap tinggi

karakter dilakukan proses konversi hasil reduksi noise menjadi citra bertipe logical.

Berikut adalah implementasi dari algoritma yang telah dibuat:

function tinggi = cariTinggiKarakter( In )

[label]=bwlabel(In);

tabel=zeros(max(label(:)),3);

for k=1 : max(label(:))

[r,c] = find(label==k);

tabel(k,1) = k;

tabel(k,2) = (max(r) - min(r));

tabel(k,3) = max(c) - min(c);

end

tinggi=mode(tabel(:,2));

end

Gambar 4.10. Screenshot Tabel Hasil Pencarian Tinggi Label

Gambar 4.9. merupakan kumpulan tinggi untuk setiap label yang telah dicari.

Nilai 34 didapatkan dengan cara menggunakan menghitung nilai modus atau nilai yang

paling banyak keluar dari tabel tersebut.


42

4.2.6. Blurring Image

Blurring image merupakan tahap lanjutan yang akan dilakukan setelah proses

reduksi noise dan pencarian tinggi karakter dilakukan. Berikut merupakan

implementasi dari algoritma yang telah dibuat:

function res=flatBlur(in,lh)

vwindow=ceil(lh*0.8);

hwindow=ceil(lh*8);

if(mod(vwindow,2)~=0)

vwindow=vwindow+1;

end

if(mod(hwindow,2)~=0)

hwindow=hwindow+1;

end

tmpin=zeros(size(in)+[vwindow hwindow]);

tmpin(1+vwindow/2:end-vwindow/2,1+hwindow/2:end-hwindow/2)=in;

summed=cumsum(cumsum(tmpin,1),2);

summed1=summed(vwindow+1:end,hwindow+1:end);

summed2=summed(1:end-vwindow,1:end-hwindow);

summed3=summed(1+vwindow:end,1:end-hwindow);

summed4=summed(1:end-vwindow,hwindow+1:end);

res=summed1+summed2-summed3-summed4;

res=res./((vwindow+1)*(hwindow+1));

end


43

Gambar 4.11. Hasil Blurring Image

Gambar 4.10. merupakan hasil Blurring Image yang telah dilakukan. Gambar

yang terlihat seperti putih samar diatas merupakan hasil perhitungan dari algoritma

yang dipakai. Adapun contoh tabel hasil perhitungan:

Gambar 4.12. Contoh Bagian Blurring Image


44

4.3.Pencarian Jalur Pelacak

4.3.1. Pencarian Jalur Pelacak LA

Hasil akhir dari pencarian jalur pelacak LA akan membentuk garis yang

terbentang dari sisi kiri citra hingga sisi kanan citra. Pencarian ini dilakukan

dengan mencari jalur yang dimulai dari salah satu sisi citra menuju sisi lain,

kemudian dilanjutkan sebaliknya.

Berikut adalah implementasi algoritma yang telah dibuat:

function [LA]=cariLA(b,lh)

LA=logical(ones(size(b)));

[height,width]=size(b);

minHeight=ceil(lh./2+1);

offset=ceil(lh./2);

maxHeight=height-ceil(lh./2+1);

laTracers=minHeight:maxHeight;

for x=1:width

b1=b(laTracers+offset,x);

b2=b(laTracers-offset,x);

laTracers(b1b2)-1;

laTracers(laTracersmaxHeight-offset)=maxHeight-offset;

LA(laTracers,x)=0;

end

laTracers=minHeight:maxHeight;

for x=width:-1:1

b1=b(laTracers+offset,x);

b2=b(laTracers-offset,x);

laTracers(b1b2)-1;

laTracers(laTracersmaxHeight-offset)=maxHeight-offset;

LA(laTracers,x)=0;

end


45

end

Gambar 4.13. Hasil Pelacakan LA

Gambar 4.12. merupakan jalur pelacak yang didapatkan dari sistem. Terlihat

pada gambar, terdapat garis yang membentang dari sisi kiri citra menuju sisi kanan

citra. Garis yang membentang terlihat seperti terputus – putus dikarenakan ukuran citra

yang terlalu besar. Jika diperbesar, maka garis – garis tersebut akan membentuk garis

yang terhubung seperti dibawah ini.

Gambar 4.14. Hasil Bagian Pelacakan LA

4.3.2. Pelabelan Jalur Pelacak LA

Pelabelan untuk LA akan dideklarasikan sebagai LLA. Dalam pelabelan

LA, proses juga akan dilakukan filter untuk area – area baris kecil. Tahap


46

pertama dalam pelabelan adalah pelabelan itu sendiri menggunakan fungsi

bwlabel dari Matlab. Tahap kedua adalah tahap untuk membentuk sebuah tabel

penyelidikan yang berisi label beserta tinggi dan lebarnya. Tahap ketiga

merupakan tahap untuk filter area – area yang mempunyai baris yang kecil.

Berikut adalah implementasi code untuk pelabelan LLA:

[LLA,jumlah_LA]=bwlabel(LA,4);

Jumlah label awal yang terdeteksi sebelum dilakukan proses filter area

baris kecil mendapatkan jumlah label sebanyak 27 label. Jumlah ini dapat

berkurang ataupun tetap setelah dilakukan proses filter area baris kecil. Berikut

adalah implementasi algoritma proses untuk mendapatkan tabel penyelidikan.

function [tabelLLA]=

selidikVerySmallAreas(LLA)

tabelLLA=zeros(max(LLA(:)),3);

for k=1 : max(LLA(:))

[r, c] = find(LLA==k);

tabelLLA(k,1) = k;

tabelLLA(k,2) = max(r) - min(r);

tabelLLA(k,3) = max(c) - min(c);

end

end

Berikut merupakan screenshot tabel hasil penyelidikan:

Gambar 4.15. Screenshoot Tabel Hasil Penyelidikan LLA


47

Gambar 4.14. memuat informasi yang dapat digunakan dalam proses

selanjutnya proses menghapus atau filter area – area yang mempunyai baris kecil.

Dalam prosesnya dilakukan ketentuan untuk setiap label yang mempunyai ukuran baris

lebih kecil dari huruf (lh^2) maka label tersebut akan dihapus. Berikut implementasi

dari algoritma yang telah dibuat:

function [ LLA_baru ] = hapusSmallAreas(LLA,tabelLLA,lh)

[baris, kolom] = size(LLA);

LLA_baru = LLA;

lh_kuadrat=lh^2;

for i = 1 : length(tabelLLA)

letter = tabelLLA(i,3);

if(letter

48

Berikut adalah tabel penyelidikan yang dilakukan:

Gambar 4.16. Screenshot Tabel LLA Hasil Penyelidikan Setelah Difilter

Dari tabel diatas diperoleh lebar label yaitu pada tabel kolom ke 3. Hasil

tersebut dari 27 label menjadi 6 label dikarenakan tidak boleh ada garis yang lebih kecil

dari huruf. Kolom ke 3 tersebut dibandingkan dengan LH kuadrat yang diperoleh

sebesar 1156. Dikarenakan label mempunyai kolom kurang dari 1156 maka label

beserta isinya dihapus.

4.4.Menampilkan hasil segmentasi

4.4.1. Menggabungkan citra hasil preprocessing (setelah reduksi noise) dengan hasil

pencarian pelacak area baris yang telah dilakukan pelabelan (Tahap 4.3).

Berikut adalah implementasi yang telah dilakukan kedalam code:

res=LLA_baru;

res(logical(1-In))=0;

Tahap pertama adalah membuat variabel res untuk menampung hasil pencarian

pelacak area baris (LLA_baru). Tahap kedua adalah melakukan proses konversi hasil

citra hasil preprocessing (In) yang telah dilakukan fungsi invers kemudian dikonversi

menjadi logical.


49

4.4.2. Menghapus area untuk objek kecil

Tahap ini dibagi menjadi 2 tahap yaitu melakukan pencarian tinggi dan lebar

untuk semua objek dan melakukan penghapusan objek kecil. Berikut adalah

implementasi dari algoritma yang telah dibuat untuk tahap pertama:

function [tabelres]=tabelSelidikRES(res)

tabelres=zeros(max(res(:)),3);

for k=1 : max(res(:))

[r, c] = find(res==k);

if(r~=0)

if(c~=0)

tabelres(k,1) = k;

tabelres(k,2) = max(r) - min(r);

tabelres(k,3) = max(c) - min(c);

end

end

end

end

Berikut adalah hasil dari tabel yang telah dibuat:

Gambar 4.17. Screenshot Tabel Penyelidikan Area Objek Kecil

Setelah dilakukan pembuat tabel penyelidikan, dilakukan tahap selanjutnya

yaitu menghapus objek – objek yang kecil. Penghapusan ini dilakukan dengan

menggunakan nilai ambang batas yang didapatkan dari LH * log(LH).

Berikut adalah implementasi dari algoritma yang telah dibuat:


50

function [ res_baru ] = hapusSmallTextLines(res,tabel_res,lh)

[baris, kolom] = size(res);

res_baru = res;

lh_log=(lh*log(lh));

for i = 1 : length(tabel_res)

letter = tabel_res(i,3);

if(letter

51

[r,c]=find(res_baru==i);

if(r~=0)

BW{i,1}=bwselect(res_baru,c,r);

figure, imshow(~cell2mat(BW(i,1)));

end

end

Gambar 4.19. Hasil Segmentasi 1




52


Gambar 4.17. Gambar 4.18, Gambar 4.19, dan Gambar 4.20 adalah hasil

menampilkan segmentasi baris dari algoritma yang telah dibuat .

4.5.Evaluasi Kinerja Sistem

Proses pengukuran kinerja dari algoritma didasarkan pada penghitungan jumlah

kecocokan antara entitas yang terdeteksi oleh algoritma dan entitas dengan

perhitungan secara manual (I. Philips, dkk, 1999).

Langkah yang yang dilakukan adalah menghitung entitas atau objek pada citra

hasil preprocessing yaitu citra hasil binerisasi yang telah direduksi noise.

Penghitungan objek dilakukan secara manual dengan menghitung jumlah objek

secara baris perbaris disimbolkan dengan N. Kemudian menghitung objek hasil dari

proses segmentasi menggunakan fungsi bwlabel pada MATLAB disimbolkan

dengan M. Perhitungan kecocokan antar entitas dilakukan secara manual dengan

cara one-to-one matches atau menghitung jumlah yang sesuai disimbolkan dengan

o2o.


53

Tabel 4.1. Tabel Evaluasi Sistem

No. Data

Bar

is

ke-

N M o2

o

Akurasi

Baris

(%)

DR

(%)

RA

(%)

FM

(%)

1 Kuno

1.jpg

1 59 6

0 59

100 91,4414 95,2569 93,3102

2 51 6

1 57

3 57 6

8 59

4 55 6

4 58

2 Kuno

2.jpg

1 46 5

0 46

100 95,9391 92,3423 94,1064

2 57 6

5 59

3 46 5

3 49

4 48 5

4 52

3 Kuno

3.jpg

1 41 5

8 50

100 95,939 92,342 94,106

2 51 6

0 42

3 52 5

9 48

4 55 5

9 58


54

4 Kuno

4.jpg

1 37 4

9 42

100 86,875 88,725 87,79

2 40 5

2 40

3 45 5

9 48

4 38 4

4 38

5 Kuno

5.jpg

1 44 5

3 46

100 93,333 87,273 90,201

2 45 5

8 46

3 46 6

1 54

4 41 4

8 46

6 Kuno

6.jpg

1 48 5

9 55

100 95,215 88,306 91,631

2 53 6

3 58

3 57 6

6 60

4 52 6

0 55

7 Kuno

7.jpg

1 50 5

5 54 100 85,185 95,595 90,09

2 52 6

5 63


55

3 48 5

9 55

4 39 4

8 47

8 Kuno

8.jpg

1 44 5

6 45

100 96,739 90,909 93,734

2 47 5

6 48

3 45 5

3 47

4 48 5

0 47

9 Kuno

9.jpg

1 42 4

2 43

100 92,442 90,686 91,556

2 43 4

3 47

3 45 4

5 50

4 40 4

0 44

10 Kuno

10.jpg

1 41 4

3

40

100 94,118 88,789 91,376

2 50 6

0

53

3 48 6

5

56

4 48 5

5

49


56

Dari tabel hasil percobaaan yang dilakukan maka Detection Rate, Recognition

Accuracy, dan Performance Metric untuk setiap setiap telah didapatkan. Maka dari itu,

dapat diambil rata – rata untuk masing-masingnya.

Rata-rata Detection Rate = (jumlah semua Detection Rate / jumlah citra)

* 100%

= (9.30785 / 10) * 100%

= 93.0785%

Rata-rata Recognition Accuracy= (jumlah semua Recognition Accuracy /

jumlah citra) * 100%

= (9.02629 / 10) * 100%

= 90.2629%

Rata-rata Detection Rate = (jumlah semua Performance Metric / jumlah

citra) * 100%

= (9.15326 / 10) * 100%

= 91.5326%


57

BAB V

PENUTUP

5.1. Kesimpulan

Berdasarkan penelitian tentang segmentasi baris citra daun lontar aksara

kuno yang telah dikerjakan maka dapat diambil kesimpulan sebagai berikut:

1. Algoritma Shredding Text dapat dipakai dalam melakukan segmentasi baris

pada data citra daun lontar aksara kuno yang digunakan dengan hasil kinerja

sistem mendapatkan rata-rata tingkat performa untuk Detection Rate sebesar

93.079%, Recognition Accuracy sebesar 90.2629%, dan Perfomance Metric

sebesar 91.5326%.

2. Kelemahan dari metode Shredding Text ini adalah citra yang digunakan harus

bebas dari noise karena akan berpengaruh pada saat pencarian tinggi karakter

sehingga akan mengganggu performa proses-proses selanjutnya.

5.2. Saran

Dari hasil penelitian ini dapat disarankan untuk penelitian selanjutnya

sebagai berikut:

1. Dilakukan proses cropping citra secara otomatis oleh sistem

2. Dilakukan percobaan lebih lanjut dalam melakukan proses reduksi noise agar

dapat mendapatkan hasil yang lebih maksimal

3. Penggunaan metode Shredding Text disarankan digunakan untuk citra yang

memiliki bebas noise untuk mendapatkan hasil yang lebih baik.


58

DAFTAR PUSTAKA

A. Nicolaou, and B. Gatos (2009), Handwritten Text Line Segmentation by Shredding

Text into its Lines, 10th International Conference on Document Analysis and

Recognition.

Du, X. and Pan, W. and Bui, T.,“Text line segmentation in handwritten documents

using Mumford-Shah model””, Pattern Recognition, 2009,

doi:10.1016/j.patcog.2008.12.021

Hinzler, H.I.R., 1993, Balinese palm-leaf manuscripts di BKI, 149:438-474.

Gonzalez, Rafael C., Wood, Richard E.2002 Digital Image Processing Second Edition

New Jersey: Prentice Hall.

I. Phillips, A. Chhabra, "Empirical Performance Evaluation of Graphics Recognition

Systems", IEEE Trans. of Patt. Analysis and Machine Intell., 21(9), pp. 849-870,

1999.

Kadir, A. dan Adhi, S. (2013). Teori dan Aplikasi Pengolahan Citra. Yogyakarta, Andi

Offset.

M. Petrou dan P. Bosdogianni, Image Processing : The Fundamentals, New York:

Wiley, 1999

Priyanto Hidayatullah, Pengolahan Citra Digital, Penerbit Informatika, 2017

Zhou, Q. (1999), Digital Image Processing And Interpretation. Hongkong. Department

of Geography, Hong Kong Baptist University


59

LAMPIRAN

Lampiran 1 Hasil Segmentasi Baris

Data Baris Hasil Segmentasi

‘kuno

1.jpg’

1

2

3

4

‘kuno

2.jpg’

1

2

3


60

4

‘kuno

3.jpg’

1

2

3

4

‘kuno

4.jpg’

1

2

3


61

4

‘kuno

5.jpg’

1

2

3

4

‘kuno

6.jpg’

1

2

3


62

4

‘kuno

7.jpg’

1

2

3

4

‘kuno

8.jpg’

1

2

3


63

4

‘kuno

9.jpg’

1

2

3

4

‘kuno

10.jpg’

1

2

3


64

4


SEGMENTASI BARIS CITRA LONTAR AKSARA KUNO … · 2019. 8. 6. · Segmentasi merupakan salah satu...

Documents

Transcript of SEGMENTASI BARIS CITRA LONTAR AKSARA KUNO … · 2019. 8. 6. · Segmentasi merupakan salah satu...