pembentukan pola khusus untuk ekstraksi ciri pada sistem ...

TESIS

PEMBENTUKAN POLA KHUSUS UNTUK EKSTRAKSI CIRI PADA SISTEM PENGENALAN

AKSARA BALI CETAK

NI KADEK AYU WIRDIANI

PROGRAM PASCASARJANA UNIVERSITAS UDAYANA

DENPASAR 2011

TESIS


AKSARA BALI CETAK

NI KADEK AYU WIRDIANI NIM 0991761013

PROGRAM MAGISTER PROGRAM STUDI TEKNIK ELEKTRO


DENPASAR 2011


AKSARA BALI CETAK

Tesis untuk Memperoleh Gelar Magister

pada Program Magister, Program Studi Teknik Elektro,

Program Pascasarjana Universitas Udayana

NI KADEK AYU WIRDIANI NIM 0991761013

PROGRAM MAGISTER PROGRAM STUDI TEKNIK ELEKTRO


DENPASAR 2011

Tesis Ini Telah Diuji pada

Tanggal 1 Juli 2011

Panitia Penguji Tesis Berdasarkan SK Rektor Universitas Udayana,

No.: 1175/UN14.4/HK/2011 tanggal 28 Juni 2011

Ketua : Dr. I Ketut Gede Darma Putra, S.Kom.,MT Anggota :

1. Ir. Linawati, M.Eng.Sc.,Ph.D

2. Prof. Ir. Ida Ayu Dwi Giriantari, M.Eng.Sc.,Ph.D

3. Prof. Ir. Rukmi Sari Hartati, MT.,Ph.D

4. I Nyoman Satya Kumara, ST., M.Sc.,Ph.D

PERNYATAAN KEASLIAN KARYA TULIS TESIS

Dengan ini saya menyatakan bahwa dalam tesis ini tidak terdapat karya

tulis yang pernah diajukan untuk memperoleh gelar kesarjanaan di suatu

perguruan tinggi, dan sepanjang pengetahuan saya tidak terdapat karya atau

pendapat yang pernah ditulis atau diterbitkan orang lain, kecuali yang secara

tertulis diacu dalam naskah ini dan disebutkan dalam daftar pustaka.

Apabila kemudian hari terbukti bahwa saya melakukan tindakan menyalin

atau meniru tulisan orang lain sebagai hasil pemikiran saya sendiri, maka gelar

dan ijasah yang telah diberikan oleh universitas batal saya terima.

Denpasar, 8 Juli 2011 Yang menyatakan

Ni Kadek Ayu Wirdiani

ABSTRAK

PEMBENTUKAN POLA KHUSUS UNTUK EKSTRAKSI CIRI PADA SISTEM PENGENALAN AKSARA BALI CETAK

Salah satu dari pengenalan pola yang umum dikenal orang adalah

pengenalan tulisan. Pengenalan tulisan yang dijadikan objek dalam penelitian ini adalah karakter cetak Aksara Bali. Tulisan Bali memiliki keunikan dari bentuknya yang hampir sama satu dengan yang lainnya dan beberapa tulisan hanya dibedakan oleh satu guratan garis.

Ekstraksi ciri karakter dilakukan dengan pola khusus yang dibentuk berdasarkan Metode Pola Busur Terlokalisasi. Pemilihan model dilakukan dari implementasi pola yang didapatkan pada basis data citra Aksara Bali, berdasarkan akumulasi frekuensi kemunculan masing-masing model. Ciri citra aksara uji dibandingkan dengan ciri acuan. Pembandingan tersebut menghasilkan nilai beda yang kemudian diurutkan dan nilai beda yang terkecil dipergunakan sebagai dasar untuk menentukan dikenali atau tidak aksara uji yang dimasukkan melalui pembandingan dengan suatu nilai ambang. Hasil pengujian sistem pengenalan ini memberikan prosentase keberhasilan sebesar 96,4%. Kata kunci : pengenalan pola, pengenalan karakter Aksara Bali, Metode Pola Busur Terlokalisasi, pola model khusus Aksara Bali, ekstraksi ciri, nilai beda, nilai ambang.

ABSTRACT

SPECIAL PATTERN FORM FOR FEATURE EXTRACTION ON

RECOGNIZED BALINESE PRINT CHARACTER SYSTEM

One of pattern recognition that people usually know is character

recognition. Object of character recognition in this research is Balinese print character recognition system. Balinese character is unique, the form of one and the other is almost same and some character is differentiated by one line.

Feature extraction of character is conducted by special pattern that is formed from Localized Arc Pattern Methods. Model selection based on apparition each model frequency is got from Balinese character database image. The feature of image tester are compared with reference feature. These comparisons yield dissimilarity value. Then this value is sorted and the smallest dissimilarity value is used to define whether the character test is recognized or not, through a critical value comparison. The experiment achieved an success rate of 96.4%. Key words: pattern recognition, Balinese character recognition, Localized Arc Pattern Methods, special model pattern of Aksara Bali, feature extraction, dissimilarity value, critical value.

KATA PENGANTAR

Segenap puja dan puji syukur penulis panjatkan kehadapan Ida Sanghyang

Widhi Wasa sebagai sumber dari segala sumber pengetahuan, karena atas asung

kertha wara nugrahaNya tesis yang berjudul “PEMBENTUKAN POLA

KHUSUS UNTUK EKSTRAKSI CIRI PADA SISTEM PENGENALAN

AKSARA BALI CETAK” ini dapat diselesaikan.

Dalam penyusunan Tesis ini, penulis banyak memperoleh petunjuk dan

bimbingan dari berbagai pihak. Sehubungan dengan hal tersebut, maka pada

kesempatan ini penulis menyampaikan ucapan terima kasih dan penghargaan yang

sebesar-besarnya kepada :

1. Ibu Prof. Dr. dr. A.A. Raka Sudewi, Sp.S(K), sebagai Direktur Program

Pascasarjana Universitas Udayana.

2. Ibu Prof. Ir. Ida Ayu Dwi Giriantari, M.Eng.Sc.,Ph.D, sebagai Ketua Program

Magister Program Studi Teknik Elektro Program Pasca Sarjana Universitas

Udayana.

3. Bapak Dr. I Ketut Gede Darma Putra, S.Kom, MT., selaku dosen

pembimbing I dan Pembimbing Akademis yang telah banyak membantu

dalam memberikan ide, saran, motivasi, bimbingan selama perkuliahan dan

pengerjaan Thesis ini.

4. Ibu Ir. Linawati, M.Eng.Sc., Ph.D, selaku dosen pembimbing II.

5. A.A.K. Oka Sudana, S.Kom, MT, selaku dosen pembimbing pendamping.

6. Bapak dan Ibu Dosen di Program Studi Teknik Elektro Program Pascasarjana

Universitas Udayana.

7. Seluruh staf pengelola Program Studi Teknik Elektro Program Pascasarjana

Universitas Udayana.

8. Ibu mertua, suamiku, putraku Agung Acharya Wiwekananda, putriku Agung

Ayu Apsari Wikanaswari, Gung Nini Anom, Ibu, Bapak, Bapak & Ibu Tu

Indra, Mang Adi, Gung Sayang & Gung Rai, Ibu & Pak Satya, serta saudara

dan seluruh keluargaku yang senantiasa memberikan semangat dan motivasi

untuk menyelesaikan studi S2.

9. Teman-teman seperjuangan di S2 Elektro, Gung Aryana, Dwi Rusjayanthi

dan teman-teman lainnya yang tidak bisa penulis sebutkan yang telah banyak

membantu dalam menjalani perkuliahan di S2 Elektro.

10. Teman-teman di PT. STIN Denpasar serta Bapak-bapak di PT.TELKOM

DFWN Denpasar yang telah banyak memberikan bantuan, dukungan,

motivasi dan waktu luang untuk mengerjakan tugas-tugas kuliah selama jam

kantor.

Salah satu ciri karya manusia adalah tidak akan pernah sempurna karena

manusia memiliki kelebihan serta kekurangan masing-masing. Demikian pula

halnya dengan tesis ini yang telah diusahakan dibuat dengan segenap kemampuan

yang ada, akan tetapi jika masih ada kekurangannya, penulis bertanggung jawab

sepenuhnya. Harapan penulis juga, semoga karya ini bermanfaat bagi kita semua.

Juli, 2011

Penulis

DAFTAR ISI

Halaman

SAMPUL DEPAN ................................................................................... i

SAMPUL DALAM ................................................................................ ii

PRASYARAT GELAR ........................................................................... iii

LEMBAR PENGESAHAN ..................................................................... iv

PENETAPAN PANITIA PENGUJI ......................................................... v

PERNYATAAN KEASLIAN PENELITIAN .......................................... vi

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

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

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

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

DAFTAR TABEL ................................................................................... xiv

DAFTAR GAMBAR ............................................................................... xvi

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

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

1.2. Rumusan Masalah .................................................................. 2

1.3. Tujuan Penelitian ................................................................... 3

1.4. Manfaat Penelitian ................................................................. 3

1.5. Batasan Masalah ..................................................................... 3

1.6. Keaslian Penelitian .................................................................. 4

1.7. Hipotesis ................................................................................. 5

BAB II KAJIAN PUSTAKA ................................................................ 6

2.1. State of Art Review ................................................................. 6

2.2. Ejaan Bahasa Bali ................................................................... 8

2.3. Pengenalan Pola ...................................................................... 17

2.4. Metode Pola Busur Terlokalisasi ............................................ 20

2.5. Nilai Eigen dan Vektor Eigen .................................................. 23

2.5.1. Diagonalisasi Matriks ................................................ 24

2.5.2. Transformasi Jacobi Matriks Simetris ....................... 27

2.6. Unjuk Kerja Sistem ................................................................. 31

BAB III METODE PENELITIAN ........................................................ 34

3.1. Sumber Data ........................................................................... 34

3.2. Tempat dan Waktu Penelitian ................................................. 34

3.3. Gambaran Umum Sistem Pengenalan Karakter Aksara Bali .... 35

3.3.1. Pembentukan dan Pemilihan Pola Model ........................ 35

3.3.2. Tahapan Pengenalan Karakter Aksara Bali ...................... 36

3.4. Perancangan Sistem ............................................................... 42

3.4.1. Diagram Jackson Sistem Pengenalan ............................. 43

3.4.2. Bagan Alir Proses ........................................................... 47

3.4.3. Struktur Data ................................................................... 50

3.5. Pembuatan Sistem .................................................................. 52

3.5.1. Kebutuhan Sistem ........................................................... 53

3.5.1.1. Kebutuhan Perangkat Keras ........................................ 53

3.5.1.2. Kebutuhan Perangkat Lunak ....................................... 53

3.5.2. Pemrograman ................................................................. 54

3.5.2.1. Konstanta dan Variabel Global ................................ 54

3.5.2.2. Form Utama ............................................................ 55

3.5.2.3. Form Pendaftaran .................................................... 67

3.5.2.4. Form-Form Pendukung ........................................... 71

BAB IV HASIL DAN PEMBAHASAN ............................................... 75

4.1. Pengujian ............................................................................... 75

4.1.1. Pembentukan Pola Model ................................................ 75

4.1.2. Pemilihan Pola Model ...................................................... 78

4.1.3. Penentuan Konstanta ...................................................... 84

4.1.4. Tahap Pengujian .............................................................. 85

4.1.5. Hasil Pengujian ............................................................... 87

4.1.5.1. Ujicoba Antarmuka Sistem ....................................... 87

4.1.5.2. Pendaftaran karakter Aksara Bali acuan .................. 90

4.1.5.3. Pengenalan Karakter Aksara Bali Uji ...................... 95

4.2. Analisis Hasil ......................................................................... 103

4.2.1. Analisis Hasil Pengujian ................................................. 103

4.2.1.1. Analisis Pengujian Pengenalan ................................. 104

4.2.2. Perbandingan Keberhasilan Pengenalan Aksara Bali ....... 110

4.2.3. Analisis Kompleksitas Waktu ......................................... 112

4.2.3. Analisis Kompleksitas Ruang Penyimpanan ................... 118

BAB V SIMPULAN DAN SARAN ...................................................... 121

5.1. Simpulan ................................................................................ 121

5.2. Saran ...................................................................................... 122

DAFTAR PUSTAKA .............................................................................. 123

DAFTAR TABEL

Tabel 2.1. Daftar aksara suara .................................................................. 9

Tabel 2.2. Daftar aksara wianjana ............................................................ 10

Tabel 2.3. Daftar pengangge suara ........................................................... 11

Tabel 2.4. Daftar pengangge tengenan ..................................................... 13

Tabel 2.5. Daftar pengangge aksara ......................................................... 13

Tabel 2.6. Daftar angka dalam Aksara Bali .............................................. 15

Tabel 2.7. Daftar tanda baca dan aksara khusus Aksara Bali .................... 16

Tabel 4.1. Frekuensi kemunculan masing-masing pola

pada 600 citra biner Aksara Bali ............................................ 80


pada 600 citra Aksara Bali yang sudah diurut .......................... 81


pada 600 citra Aksara Bali yang sudah diurut dengan

batasan terkecil 10 kali ........................................................... 82

Tabel 4.4 Frekuensi kemunculan masing-masing pola

pada 600 citra Aksara Bali yang sudah diurut berdasarkan

nomor model dengan batasan terkecil 10 kali .......................... 82

Tabel 4.5. Nilai threshold pola model Aksara Bali ................................. 90

Tabel 4.6. Nilai threshold pola model tandatangan Indonesia ................. 93

Tabel 4.7. Jumlah kesalahan pada pengenalan dengan q = 1

Pola model Aksara Bali ........................................................ 97






Pola model tandatangan Indonesia ........................................ 100


Pola model tandatangan Indonesia ........................................ 101


Pola model tandatangan Indonesia ......................................... 102

Tabel 4.13. Banyaknya kesalahan yang terjadi pada pengujian .................. 104

Tabel 4.14. Prosentase kesalahan tipe I dan tipe II

pada pengujian sistem pengenalan ........................................ 105

Tabel 4.15. Prosentase kesalahan rata-rata

pada pengujian sistem pengenalan ........................................ 105

Tabel 4.16. Prosentase keberhasilan pada pengujian sistem pengenalan .. 106

Tabel 4.17. Perbandingan waktu proses pola model Aksara Bali

pola model tandatangan Indonesia ....................................... 109

Tabel 4.18. Tipe data dan ruang penyimpan yang diperlukan .................. 118

DAFTAR GAMBAR

Gambar 2.1. Struktur umum suatu sistem pengenalan pola ...................... 19

Gambar 2.2. Tahap pengoperasian suatu sistem pengenalan pola ........... 19

Gambar 2.3. Pola busur dalam bentuk asli ............................................ 21

Gambar 2.4. Pola model dalam metode pola Busur Terlokalisasi ........... 22

Gambar 2.5. Pembagian kelompok (asli/palsu) dan evaluasi rata-rata

kesalahan nilai beda (a) ideal; (b) kenyataan ...................... 32

Gambar 3.1. Gambaran umum sistem pengenalan Aksara Bali ............... 35

Gambar 3.2. Struktur Diagram Jackson sistem pengenalan ..................... 44

Gambar 3.3. Bagan alir proses pengenalan ............................................. 48

Gambar 3.4. Bagan alir tahap pendaftaran .............................................. 49

Gambar 3.5. Tampilan Form Utama sistem pengenalan .......................... 56

Gambar 3.6. Tampilan Form Pendaftaran ............................................... 67

Gambar 3.7. Tampilan Form Daftar Aksara Bali ..................................... 71

Gambar 3.8. Tampilan Form Lingkungan Sistem .................................... 72

Gambar 3.9. Tampilan Form Pola Model ................................................. 73

Gambar 3.10. Tampilan Form Indikator Proses ....................................... 74

Gambar 3.11. Tampilan Form Informasi Sistem ...................................... 74

Gambar 4.1a. Kemungkinan pola-pola dari Pola Busur Terlokalisasi

untuk Pola bujursangkar 5x5 (nomor urut 1 sampai 63) ....... 76

Gambar 4.1b. Kemungkinan pola-pola dari Pola Busur Terlokalisasi

untuk Pola bujursangkar 5x5 (nomor urut 64 sampai 125) ... 77

Gambar 4.2. Pola-pola terpilih sebanyak 23 pola...................................... 83

Gambar 4.3. Pola-pola terpilih sebanyak 23 pola

yang penomorannya telah disesuaikan ................................ 84

Gambar 4.4. Tampilan awal sistem pengenalan ...................................... 88

Gambar 4.5. Tampilan setting lingkungan pada saat proses pendaftaran . 88

Gambar 4.6. Contoh tampilan pada saat aksara A diuji ........................... 89

Gambar 4.7. Contoh laporan hasil pengenalan ......................................... 89

Gambar 4.8. Tampilan hasil pengenalan untuk satu huruf ....................... 96

Gambar 4.9. Grafik prosentase kesalahan tipe I ....................................... 106

Gambar 4.10. Grafik prosentase kesalahan tipe II .................................... 107

Gambar 4.11. Grafik prosentase kesalahan rata-rata ................................ 107

Gambar 4.12. Grafik prosentase keberhasilan unjuk kerja sistem ............ 108

Gambar 4.13. Grafik waktu proses pengenalan sistem .............................. 110

Hidup adalah sebuah karya seni, kita melukisnya melalui

tindakan, pikiran dan kata-kata. (Gede Prama)

BAB I

PENDAHULUAN

BAB I

PENDAHULUAN

1.1 Latar Belakang

Kemajuan teknologi komputer saat ini sangatlah pesat. Sistem komputer

dikembangkan agar dapat melakukan proses pengenalan suatu pola sebagaimana

kemampuan manusia. Sistem pengenalan pola yang banyak dimanfaatkan saat ini

seperti pengenalan sidik jari dan telapak tangan yang berupa citra, pengenalan

suara, sampai pengenalan tulisan. Salah satu dari pengenalan pola yang umum

yang dikenal orang adalah pengenalan tulisan. Tulisan memiliki sifat yang unik

sehingga menghasilkan sebuah permasalahan baru yang menarik untuk diangkat.

Kekayaan budaya yang sangat beragam di Indonesia memiliki kelebihan

tersendiri dalam hal tulisan dimana dikenal berbagai macam tulisan daerah.

Tulisan di masing-masing daerah mempunyai bentuk huruf yang beragam dan

memiliki keunikan tersendiri. Pengenalan tulisan yang dijadikan objek dalam

penelitian ini adalah Tulisan Daerah Bali atau sering disebut dengan Aksara Bali.

Tulisan Bali memiliki keunikan dari bentuknya yang hampir sama satu dengan

yang lainnya dan beberapa tulisan hanya dibedakan oleh satu guratan garis

(Agung BW dkk, 2009). Tulisan Bali juga memiliki sifat yang berbeda dengan

tulisan Latin, Jepang, Korea maupun Cina. Hal ini menjadi suatu permasalahan

tersendiri dalam mempelajari/mengenali Tulisan Bali. Berdasarkan permasalahan

tersebut maka akan dibangun suatu aplikasi yang bertujuan untuk pengenalan

Aksara Bali sehingga mempermudah orang dalam membaca Aksara Bali.

Penelitian ini diharapkan dapat menarik minat generasi muda untuk mempelajari

Aksara Bali yang merupakan salah satu dasar Budaya Bali yang muara akhirnya

bisa memberikan kontribusi dalam pelestarian budaya bangsa melalui pelestarian

budaya daerah.

Penelitian untuk pengenalan Aksara Bali ini sudah pernah ada yang

melakukan tetapi dengan menggunakan Metode LVQ dan MDF yang dilakukan

oleh Tjokorda Agung BW (Agung BW dkk, 2009) selain itu juga ada yang

menggunakan Metode Moment Invariant dan LVQ yang dilakukan oleh I Komang

Gede Suamba Dharmayasa (Dharmayasa, 2009). Sedangkan penelitian yang

dibuat dengan menggunakan pola khusus yang dibentuk dari Pola Busur

Terlokalisasi untuk melakukan ekstraksi ciri citra Aksara Bali belum pernah ada

yang melakukan dimana metode ini sudah terbukti cukup berhasil dalam hal

verifikasi citra tandatangan dan pengenalan tulisan tangan Latin, Jepang, Korea

maupun Cina. Berdasarkan hal tersebut maka pada penelitian ini dipergunakan

pola khusus untuk pengenalan Aksara Bali.

1.2 Rumusan Masalah

Berdasarkan latar belakang diatas maka dirumuskan permasalahan sebagai

berikut:

1. Bagaimana pembentukan pola model khusus untuk melakukan ekstraksi

ciri pada pengenalan karakter Aksara Bali.

2. Bagaimana unjuk kerja sistem dengan menggunakan metode pola khusus

untuk Pengenalan Karakter Bali.

1.3 Tujuan Penelitian

Tujuan dari penelitian ini adalah :

1. Untuk mendapatkan pola model khusus yang bisa digunakan untuk

melakukan ekstraksi ciri pada Pengenalan Aksara Bali.

2. Untuk mengetahui efektifitas dan tingkat keakuratan metode pola model

khusus tersebut dalam hal Pengenalan Karakter Aksara Bali dengan cara

menghitung persentase keberhasilan, kesalahan rata-rata sistem serta

kompleksitas waktu.

1.4 Manfaat Penelitian

Hasil penelitian diharapkan mampu memberikan sumbangan dan

dukungan terhadap usaha untuk melestarikan Budaya Bali dengan cara membantu

generasi muda untuk mengenal karakter Bali, disamping itu juga memberikan

metode alternatif untuk pengenalan citra Aksara Bali terkomputerisasi.

1.5 Batasan Masalah

Karena sangat kompleksnya permasalahan yang terkait dengan topik ini,

maka ditentukan batasan permasalahan sebagai berikut :

Metode yang digunakan untuk membentuk pola model khusus ekstraksi

ciri karakter Bali, adalah dikembangkan dari Metode Pola Busur

Terlokalisasi.

Pola Model pembanding yang digunakan adalah Pola Model dari Pola

Busur Terlokalisasi untuk pengenalan tandatangan yang dikembangkan

pada penelitian A.A. K. Oka Sudana (Sudana, 2007).

Sampel citra Aksara Bali yang digunakan untuk pembentukan pola model

dan citra uji berupa aksara bali cetak yang digunakan pada penelitian I

Komang Gede Suamba Dharmayasa (Dharmayasa, 2009). Sampel Aksara

Bali yang digunakan diperoleh dari hasil scan buku ajar Bahasa Bali yang

diambil per blok karakter sebanyak 31 karakter.

Tahapan prapemrosesan jika diperlukan dikerjakan dengan perangkat

lunak pengolahan citra yang telah ada misalnya Paint Shop Pro atau

perangkat lunak sejenis, untuk mengolah citra bitmap yang didapat dari

proses pemayaran sehingga menghasilkan file citra yang siap diproses

pada tahap ekstraksi ciri oleh sistem ini.

1.6 Keaslian Penelitian

Penelitian dalam bidang pengenalan tulisan tangan (handwriting

recognition) telah berkembang dalam kurun waktu yang cukup lama. Penelitian

tentang tulisan tangan dengan masukan secara statis (off-line) banyak dilakukan

oleh Isao Yoshimura, Mitsu Yoshimura serta peneliti-peneliti lainnya, yang mana

lebih banyak difokuskan pada tulisan Jepang. Jurnal “A Zip Code Recognition

System using the Localized Arc Pattern Method” oleh Mitsu Yoshimura, Tatsuro

Shimizu dan Isao Yoshimura Tahun 1993. Jurnal “Arc Pattern Method for Writer

Recognition as an Aid for Person Identification”, Tahun 1990 dan “A Zip Code

Recognition System using the Localized Arc Pattern Method.”, Tahun 1993, oleh

Isao Yoshimura dan Mitsu Yoshimura, menuliskan hasil penelitian tentang

penggunaan Metode Pola Busur Terlokalisasi pada identifikasi seseorang pada

jurnal pertama, dan pengenalan angka pada jurnal kedua. Dari penelitian-

penelitian yang dilakukan oleh Isao Yoshimura dan Mitsu Yoshimura, sebagian

besar menggunakan serta mengembangkan Metode Pola Busur baik dalam bentuk

asli, transformasi maupun melakukan lokalisasi terhadap Pola Busur tersebut.

Berdasarkan penjelasan di atas dapat dilihat bahwa penelitian terhadap

tulisan tangan dan verifikasi tandatangan sudah banyak dilakukan akan tetapi dari

penelitian-penelitian tersebut, belum ada yang menggunakan Metode Pola Busur

Terlokalisasi terutama pengembangannya yang disesuaikan dengan pola model

khusus Tulisan Bali yang memiliki sifat berbeda dengan Tulisan Latin, Korea

ataupun Cina, sedangkan seperti laporan beberapa hasil penelitian tersebut

disebutkan bahwa untuk Tulisan Tangan Jepang, Korea dan Cina hasil yang

diperoleh cukup baik.

1.7 Hipotesis

Metode pola khusus yang dikembangkan untuk pola model Aksara Bali

adalah dengan menggunakan metode Pola Busur Terlokalisasi. Pembentukan pola

modelnya diperoleh dari semua kombinasi sampel Aksara Bali yang ada. Pola

model tersebut digunakan untuk mengekstrasi ciri dari Aksara Bali sehingga

unjuk kerja sistem yang dihasilkan akan lebih baik dibandingkan dengan

menggunakan pola model umum yang dikembangkan untuk tandatangan.

Forgiveness is something like an end result, or a product, of patience or tolerance.

When one is truly patient and tolerant, then forgiveness comes naturally .

(Anand Khrisna)

BAB II

KAJIan pustaka

BAB II

KAJIAN PUSTAKA

2.1 State of Art Review

Penelitian tentang pengenalan Karakter Aksara Bali sudah beberapakali

dilakukan tetapi dari penelitian-penelitian tersebut, belum ada yang menggunakan

Metode Pola Busur Terlokalisasi untuk pengenalan karakter, sedangkan seperti

laporan beberapa hasil penelitian metode ini berhasil dengan baik digunakan

untuk melakukan verifikasi tandatangan dan pengenalan tulisan tangan. Beberapa

referensi yang bisa dijadikan acuan untuk menjelaskan tentang penelitan tersebut

adalah sebagai berikut:

1. Penelitian A.A.K.Oka Sudana yang menggunakan Metode Pola Busur

Terlokalisasi untuk memverifikasi tanda tangan (Sudana, 2007). Metode

ini dikembangkan dari Metode Pola Busur yang merepresentasikan ciri

tandatangan ke dalam bentuk frekuensi kemunculan pola model. Sistem

ini mempunyai prosentase kesalahan minimum pada kombinasi

konstanta pengali nilai ambang Cd bernilai 2,5 dan konstanta

pemotongan nilai eigen q bernilai 6, yaitu prosentase kesalahan

penolakan sebesar 7,37 % dan kesalahan penerimaan 12,02 %, sehingga

kesalahan rata-rata sistem adalah 9,69 % dan akurasi yang dihasilkan

sebesar 90,31%.

2. Penelitian dari A.A.K.Oka Sudana yang menggunakan Metode Pola

Busur Terlokalisasi untuk pengenalan Huruf Latin (Sudana, 2006).

Sistem ini mempunyai prosentase kesalahan minimum pada kombinasi

konstanta pengali nilai ambang Cd bernilai 3 dan konstanta pemotongan

nilai eigen q bernilai 2, yaitu prosentase kesalahan penolakan sebesar

71,3 % dan kesalahan penerimaan 4,3 %, sehingga kesalahan rata-rata

sistem adalah 37,8 % dan keberhasilan pengenalan sebesar 62,2%. Pada

pengenalan Huruf Latin ini unjuk kerja yang diperoleh kurang baik

karena ciri-ciri yang diperoleh dari Huruf Latin sangat sedikit serta

kecilnya konstanta pemotongan nilai eigen q yang menyebabkan hasil

pengenalan tidak stabil.

3. Shin-ichi Kikuci, Takehiro Furuta, Takako Akakura yang menggunakan

Metode Pola Busur Terlokalisasi untuk mengidentifikasi pelatihan

periodik pada sistem e-test (Shin-ichi dkk, 2008). Penelitian ini

menghasilkan rata-rata keberhasilan pengidentifikasian Huruf Kanji

sebesar 86,64% dengan parameter konstanta pemotongan nilai eigen q

sebesar 15. Hasil yang diperoleh dengan Metode Pola Busur

Terlokalisasi ini terbukti efektif untuk mengidentifikasi huruf yang

ditulis dengan pena tablet.

4. Yoshimura, M. Shimizu,T. Yoshimura,I. yang menggunakan Metode

Pola Busur Terlokalisasi untuk mengenali kode zip (Yoshimura dkk,

1993). Penelitian ini memperoleh prosentase kesalahan penolakan

sebesar 8,7 % dan kesalahan penerimaan 0,7 %, sehingga kesalahan rata-

rata sistem adalah 9,4 % dan hasil untuk mengenali kode sebesar 90,6%

dengan indeks presisi sebesar 0,157.

5. Penelitian I Komang Gede Suamba Dharmayasa yang menggunakan

metode moment invariant dan LVQ untuk pengenalan karakter Aksara

Bali (Dharmayasa, 2009). Akurasi sistem terbaik pada pengujian adalah

99.41% (T=0.23; FRR=0.24%; FAR=0.35%), pada pengujian metode

LVQ dengan karakter cetak Bali simbar, setelah sistem mengalami

pelatihan jaringan dengan epoch 50 dan learning rate 0.01, dan

pengurangan learning rate = 0.1 x learning rate.

6. Penelitian dari Tjokorda Agung BW, I Gede Rudy Hermanto, Retno

Novi D ang menggunakan metode MDF dan LVQ untuk pengenalan

karakter Aksara Bali (Agung BW dkk, 2009). Penelitian ini

menghasilkan akurasi tertinggi sebesar 88,89%. Tingkat akurasi pada

sistem pengenalan ini dipengaruhi oleh ukuran normalisasi, jumlah

transisi, dan pembagian wilayah. Konfigurasi parameter MDF yang

menghasilkan akurasi terbaik adalah: ukuran normalisasi 100x50 pixel,

jumlah transisi 4, dan tidak dilakukan pembagian gambar menjadi

beberapa bagian.

2.2 Ejaan Bahasa Bali

Menurut keputusan Pasamuhan Agung tersebut Ejaan Bahasa Bali dengan

Huruf Latin itu disesuaikan dengan ejaan Bahasa Indonesia. maksudnya ialah:

- Ejaan itu dibuat sesederhana mungkin.

- Ejaan itu harus fonetik, artinya tepat atau mendekati ucapan yang

sebenarnya.

Berdasarkan hal- hal tersebut di atas, maka ditetapkan huruf- huruf yang dipakai

untuk menuliskan Bahasa Bali dengan huruf Latin sebagai tersebut di bawah ini:

Aksara suara (vokal): a, e, i, u, e. o (enam buah, telah diubah pepet dan

taling sama).

Aksara wianjana (konsonan): h, n, c, r, k, g, t, m, ng, b, s, w, l, p, d, j, y,

ny, (18 buah).

Kalau huruf-huruf Bali yang ada sekarang dituliskan dengan tulisan Bali Latin


1. Aksara Suara

Tabel 2.1 Daftar Aksara Suara

Nomor Aksara Bali Bali Latin

a

ê

i

u

e

o

2. Aksara Wianjana

Tabel 2.2 Daftar Aksara Wianjana

Nomer Aksara Bali Bali Latin

h / a

n

c

r

k

d

t

s

w

Nomer Aksara Bali Bali Latin

l

m

g

b

ng

p

j

y

ny

3. Pengangge

Pangangge adalah lambang yang tidak dapat berdiri sendiri, ditulis dengan

melekati suatu aksara wianjana maupun aksara suara dan mempengaruhi cara

membaca dan menulis aksara Bali. Ada berbagai jenis pangangge, antara

lain pangangge suara, pangangge tengenan dan pangangge aksara.

a. Pengangge Suara

Bila suatu aksara wianjana (konsonan) dibubuhi pangangge aksara

suara (vokal), maka cara membaca aksara tersebut akan berubah.

Contoh:

huruf Na dibubuhi ulu dibaca Ni.

Huruf Ka dibubuhi suku dibaca Ku.

Huruf Ca dibubuhi taling dibaca Cé.

Huruf Ha ada pengecualian, kadangkala bunyi /h/ diucapkan,

kadangkala tidak. Hal itu tergantung pada kata dan kalimat yang ditulis.

Tabel 2.3 Daftar pengangge suara

Warga aksara Aksara Bali

Huruf Latin

Alfabet Fonetis

International Letak

penulisan Nama

Kanthya (tenggorokan)

Suara hresua (vokal

pendek)

e; ě [ə] di atas huruf pepet

Suara dirgha (vokal

panjang)

ā [aː] di belakang huruf tedung

Talawya (langit-langit

lembut)

Suara hresua (vokal

pendek)

i [i] di atas huruf ulu

Suara dirgha (vokal

panjang)

ī [iː] di atas

huruf ulu sari

Warga aksara Aksara Bali

Huruf Latin

Alfabet Fonetis

International Letak

penulisan Nama

Murdhanya (langit-langit

keras)

Suara hresua (vokal

pendek) re; ṛ [rə] di bawah

huruf Guwung macelek

Suara dirgha (vokal

panjang) ṝ [rəː]

kombinasi di belakang dan bawah

huruf

Guwung macelek

matedung

Dantya (gigi)

Suara hresua (vokal

pendek) le; ḷ [lə]

kombinasi di atas dan

bawah huruf

Gantungan La

mapepet

Suara dirgha (vokal

panjang) ḹ [ləː]

kombinasi di atas,

bawah, dan belakang

huruf

Gantung La

mepepet lan

matedung

Osthya (bibir)

Suara hresua (vokal

pendek) u [u] di bawah

huruf suku

Osthya (bibir)

Suara dirgha (vokal

panjang) ū [uː] di bawah

huruf Suku ilut

Kanthya-talawya

(tenggorokan & langit-langit

lembut)

Suara hresua (vokal

pendek) e; é [e]; [ɛ] di depan

huruf taling

Suara dirgha (vokal

panjang) e; ai [e]; [aːi] di depan

huruf Taling detya

Kanthya-osthya

(tenggorokan & bibir)

Suara hresua (vokal

pendek) o [o]; [ɔ] mengapit

huruf Taling tedung

Suara dirgha (vokal

panjang) o; au [o]; [aːu] mengapit

huruf Taling detya

matedung

b. Pengangge Tengenan

Pangangge tengenan (kecuali adeg-adeg) merupakan aksara wianjana yang

bunyi vokal /a/-nya tidak ada. Pangangge tengenan terdiri dari: bisah, cecek,

surang dan adeg-adeg.

Tabel 2.4 Daftar pengangge tengenan

Simbol Alfabet Fonetis International

Letak penulisan Nama

[h]

di belakang

huruf bisah

[r] di atas

huruf Surang

[ŋ] di atas

huruf Cecek

-

di belakang

huruf

Adeg-adeg

c. Pengangge Aksara

Pangangge aksara letaknya di bawah aksara wianjana. Pangangge

aksara (kecuali la) merupakan gantungan aksara ardhasuara. Pangangge

aksara terdiri dari:

Tabel 2.5

Daftar pengangge aksara

4. Gantungan

Adeg-adeg tidak boleh dipasang di tengah kalimat, maka agar aksara

wianjana bisa "mati" (tanpa vokal) di tengah kalimat dipakailah gantungan.

Gantungan membuat aksara wianjana yang dilekatinya tidak bisa lagi diucapkan

dengan huruf "a", misalnya aksara Na dibaca /n/, huruf Ka dibaca /k/, dan

sebagainya. Dengan demikian, tidak ada vokal /a/ pada aksara wianjana seperti

semestinya. Setiap aksara wianjana memiliki gantungan tersendiri. Untuk

"mematikan" suatu aksara dengan menggunakan gantungan, aksara yang hendak

dimatikan harus dilekatkan dengan gantungan. Misalnya jika menulis kata "Nda",

huruf Na harus dimatikan. Maka, huruf Na dilekatkan dengan gantungan Da.

Karena huruf Na dilekati oleh gantungan Da, maka Na diucapkan /n/.

Gantungan dan pangangge diperbolehkan melekat pada satu huruf yang

sama, namun bila dua gantungan melekat di bawah huruf yang sama, tidak

diperbolehkan. Kondisi dimana ada dua gantungan yang melekat di bawah suatu


Nama

[r] Guwung/cakra


Nama

[w] Suku kembung

[j] nania

huruf yang sama disebut tumpuk telu (tiga tumpukan). Untuk menghindari hal

tersebut maka penggunaan adeg-adeg ditengah kalimat dibolehkan.

5. Angka

Tabel 2.6 Daftar angka dalam Aksara Bali

Aksara Bali Aksara Latin Nama (dalam bahasa bali)

0 Bindu/Windu

1 Siki/Besik

2 Kalih/Dua

3 Tiga/Telu

4 Papat

5 Lima

6 Nem

7 Pitu

8 Kutus

9 Sanga/Sia

Menulis angka dengan menggunakan angka Bali sangat sederhana, sama seperti

sistem dalam aksara Jawa dan Arab. Bila hendak menulis angka 10, cukup dengan

menulis angka 1 dan 0 menurut angka Bali. Demikian pula jika menulis angka 25,

cukup menulis angka 2 dan 5. Bila angka ditulis di tengah kalimat, untuk

membedakan angka dengan huruf maka diwajibkan untuk menggunakan

tanda carik, di awal dan di akhir angka yang ditulis.

6. Tanda Baca dan Aksara Khusus

Ada beberapa aksara khusus dalam aksara Bali. Beberapa di antaranya

merupakan tanda baca, dan yang lainnya merupakan simbol istimewa karena

dianggap keramat. Beberapa di antaranya diuraikan sebagai berikut:

Tabel 2.7 Daftar tanda baca dan aksara khusus Aksara Bali

Simbol Nama Keterangan

Carik atau Carik Siki.

Ditulis pada akhir kata di tengah kalimat. Fungsinya sama dengan koma dalam huruf Latin. Dipakai juga untuk mengapit aksara anceng.

Carik Kalih atau Carik Pareren.

Ditulis pada akhir kalimat. Fungsinya sama dengan titik dalam huruf Latin.

Carik Pamungkah.

Dipakai pada akhir kata. Fungsinya sama dengan tanda titik dua pada huruf Latin.

Pasalinan.

Dipakai pada akhir penulisan karangan, surat dan sebagainya. Pada geguritan bermakna sebagai tanda pergantian tembang.

Panten atau Panti.

Dipakai pada permulaan suatu karangan, surat dan sebagainya.

Simbol Nama Keterangan

Pamada.

Dipakai pada awal penulisan. Tujuannya sama dengan pengucapan awighnamastu, yaitu berharap supaya apa yang dikerjakan dapat berhasil tanpa rintangan.

Ongkara. Simbol suci umat Hindu. Simbol ini dibaca "Ong" atau "Om".

2.3 Pengenalan Pola

Sebuah kamus Inggris mendefinisikan sebuah ‘pola’ (pattern) sebagai suatu

contoh atau model. Sebuah pola juga merupakan tiruan dari suatu model, tetapi

di saat menjelaskan berbagai tipe obyek dalam dunia fisik dan abstrak definisi

yang muncul menyatakan bahwa sebuah pola adalah setiap antarhubungan data

baik analog maupun digital, kejadian dan/atau konsep yang dapat diperbedakan

(Sankar K. Pal, dkk, 1986). Bentuk wajah, meja, urutan nada sebait musik, tema

sebuah sajak atau lagu, lintasan yang dibuat partikel pelat fotografik, kesemuanya

merupakan tipe yang berlainan dari pola-pola. Jadi pengenalan wajah, sebait

musik, lukisan, suara, tulisan tangan, sasaran militer, diagnosis penyakit dari

gejalanya, semuanya merupakan masalah pengenalan pola. Manusia menjalankan

tugas pengenalan di setiap saat kehidupannya, misalnya ketika mengenali suara

seseorang lewat telepon, rasa suatu makanan, membaca koran dan lain

sebagainya.

Secara garis besarnya pengenalan pola dibedakan menjadi dua yaitu

pengenalan pola langsung (konkret) dan tidak langsung (konseptual). Pengenalan

pola langsung mencakup pengenalan visual dan aural spasial (karakter, gambar,

sidik jari, tandatangan) dan temporal (muka gelombang, ucapan, ECG) di mana

seseorang membutuhkan bantuan alat penginderaan (sensor). Pengenalan akan hal

yang abstrak seperti konsep dan gagasan di satu pihak dapat dilakukan tanpa

bantuan sensor. Kenyataan tersebut masing-masing diistilahkan sebagi pengenalan

sensoris dan pengenalan tak langsung.

Selain pengelompokan di atas, pengenalan pola juga dapat dibagi menjadi

dua bagian yang didasarkan pada subyek pelaku pengenalan pola tersebut. Bagian

pertama adalah yang berhubungan dengan studi mekanisme pengenalan pola-pola

oleh manusia atau jasad hidup lainnya. Bagian ini dihubungkan dengan disiplin

ilmu misalnya fisiologi, psikologi, biologi dan lain sebagainya. Bagian kedua

adalah mengenai pengembangan teori dan teknik untuk merancang sebuah alat

yang dapat melakukan tugas pengenalan secara otomatis. Bidang ini berhubungan

dengan teknik, komputer serta ilmu informatika.

Khusus untuk pengenalan pola komputer dapat dipandang sebagai tugas

ganda yang berisikan proses belajar (learning) perilaku-perilaku invarians dan

lazim dari sekumpulan sampel yang mencirikan sebuah kelas, dan memutuskan

sebuah sampel baru sebagai anggota kelas yang mungkin dengan catatan bahwa

perilakunya lazim terhadap kumpulan sampel tersebut. Struktur umum sebuah

sistem pengenalan pola terlihat pada Gambar 2.1 yang terdiri dari sensor

(contohnya sensor citra atau kamera), mekanisme ekstraksi ciri, dan algoritma

deskripsi atau klasifikasi. Sedangkan langkah pengoperasian yang perlu dalam

mengembangkan serta melaksanakan aturan keputusan dalam sistem pengenalan

pola praktis terlihat pada Gambar 2.2.

Gambar 2.1

Struktur umum suatu sistem pengenalan pola

Gambar 2.2 Tahap pengoperasian suatu sistem pengenalan pola

Sebuah sistem fisis untuk tujuan pengenalan pola ditandai oleh beberapa

perwujudan fisisnya, yang kembali dinyatakan secara numerik oleh beberapa

kumpulan pengukuran yang membentuk ‘ruang pengukuran’. Pemilihan dan

ekstraksi ciri dalam bidang pengenalan pola adalah suatu proses pemilihan sebuah

SISTEM FISIS

RUANG PENGUKURAN

RUANG CIRI

RUANG KEPUTUSAN

Sensor Prapemrosesan

dan

Peningkatan

Algoritma ekstraksi ciri

Algoritma klasifikasi

Algoritma deskripsi

(Statistik)

(Sintaktik)

Klasifikasi

Deskripsi

Data pola yang

diobservasi

Algoritma tentang kemungkinan umpan balik atau interaksi

pemetaan bentuk X = f(Y) yang menyebabkan sebuah sampel Y(y1, y2, …, yQ)

dalam ruang y berdimensi-Q ditransformasikan ke dalam suatu titik

X(x1, x2, …, xN) dalam sebuah ruang ciri x berdimensi-N. Ruang pola yang kini

ditransformasikan menjadi ruang ciri dapat memiliki beberapa ciri yaitu :

berdimensi terhingga, biasanya berdimensi relatif rendah (N < Q), dan

mengandung cukup informasi secara memuaskan untuk memenuhi tugas

klasifikasi. Fungsi f(Y) yang demikian itu akan meminimumkan jarak intraset dan

memaksimumkan jarak interset dalam ruang ciri x. Proses penurunan sebuah

aturan keputusan berdasarkan sekumpulan sampel hingga yang telah diberi label

untuk mengklasifikasikan suatu titik dalam ruang ciri yang bersesuian terhadap

sampel yang tidak diberi label serta pelaksanaannya, disebut ‘klasifikasi pola’.

Karena itu, pengenalan pola oleh komputer dijelaskan sebagai suatu transformasi

dari ruang pengukuran (M), menjadi ruang ciri (F) dan akhirnya ke ruang

keputusan (D).

M F D ………………………………(2.1)

Hal tersebut menyebabkan di dalam pendekatan teoritik keputusan, sekali

sebuah pola ditransformasikan melalui pemilihan dan ekstraksi ciri, menjadi

sebuah vektor X dalam ruang ciri x, karakteristiknya hanya dapat dinyatakan

oleh sekumpulan nilai-nilai numerik dalam suatu vektor.

2.4 Metode Pola Busur Terlokalisasi

Metode Pola Busur Terlokalisasi ini dikembangkan dari Metode Pola

Busur (Arc Pattern Method). Prinsip metode ini adalah sebagai berikut : dua buah

titik akhir (end point) masing-masing A dan B dihubungkan oleh busur-busur

(seperti yang tampak pada Gambar 2.3). Pada gambar tersebut juga dapat dilihat

lima buah titik yang berjarak sama ditempatkan di atas busur yang disebut dengan

titik karakteristik (characterizing points). Titik-titik inilah yang nantinya akan

menyusun pola dari model yang dipergunakan sebagai karakteristik Aksara Bali.

Gambar 2.3 Pola busur dalam bentuk asli

Berdasarkan Metode Pola Busur tersebut disusun model yang terdiri atas

satu atau dua buah titik akhir (end point) dan beberapa titik diantara dua titik

akhir. Kombinasi itu akan menghasilkan model yang banyak sekali, tetapi untuk

sistem aktual, tidak semua pola model (model pattern) yang dipergunakan karena

akan sangat memperlambat kerja sistem. Masalah ini ditanggulangi dengan

mengurangi sebagian pola model yang ada. Satu ide untuk merealisasikan

pengurangan pola model ini dengan melakukan pembatasan pandangan (lokalisasi

permasalahan) pada pola model yang didefinisikan di dalam sebuah bujur sangkar

kecil berukuran 5 x 5 kotak. Hanya kemungkinan-kemungkinan model yang

dibentuk oleh titik karakteristik dalam bujur sangkar inilah yang dipergunakan

sebagai pedoman untuk membentuk pola model. Metode Pola Busur dengan

pembatasan inilah yang disebut dengan Pola Busur Terlokalisasi. Dari

Titik akhir

l=3

A

B l=2

l=1

l=0 l= -1

l= -2 l= -3

Jarak

Jari-jari OA =2AB / l

End point Titik akhir

B

A O

Titik karakteristik

pembatasan tersebut Isao Yoshimura dan Mitsu Yoshimura mendapatkan

77 buah pola model seperti yang terlihat pada Gambar 2.4 Ada beberapa model

yang mirip atau sejenis dikelompokkan menjadi satu model, contohnya seperti

Nomor 5 dan 6 yang identik dikelompokkan menjadi satu jenis pola model yaitu

Model 5. Berdasarkan pengelompokan yang dilakukan, akhirnya didapatkan

sebanyak 67 pola model. Pola model yang terlihat pada Gambar 2.4 tersebut yang

akan digunakan untuk mengekstraksi ciri dari citra biner Aksara Bali. Pada

gambar tersebut angka di sebelah kiri menunjukkan nomor pola, sedangkan angka

yang di sebelah kanan menunjukkan nomor model.

No.1 Model 1

No.9 Model 7

No.2 Model 2 No.3 Model 3 No.5 Model 5No.4 Model 4 No.6 Model 5 No.7 Model 6 No.8 Model 7

No.10 Model 8 No.11 Model 9 No.12 Model 10 No.13 Model 11 No.14 Model 12 No.16 Model 14No.15 Model 13

No.17 Model 15 No.18 Model 16 No.19 Model 17 No.20 Model 18 No.21 Model 19 No.22 Model 19 No.23 Model 20 No.24 Model 21







No.73 Model 64 No.74 Model 64 No.75 Model 65 No.76 Model 66 No.77 Model 67

Gambar 2.4 Pola model dalam Metode Pola Busur Terlokalisasi

2.5 Nilai Eigen dan Vektor Eigen

Kata “vektor eigen” berasal dari ramuan bahasa Jerman dan Inggris.

Dalam Bahasa Jerman “eigen” dapat diinterpretasikan “karakteristik”. Oleh

karena itu nilai eigen dapat juga disebut dengan nilai karakteristik dari suatu

matriks, sedangkan vektor eigen adalah vektor karakteristik dari matriks yang

selalu bersesuaian dengan nilai eigen (Howard, 1995, hal.277).

Jika A adalah matriks n x n, maka vektor taknol x di dalam Rn dinamakan

vektor eigen dari A jika A . x adalah kelipatan skalar dari x, yaitu :

A . x = x …………………………….(2.2)

untuk suatu skalar . Skalar dinamakan nilai eigen dari A dan x dikatakan

vektor eigen yang bersesuaian dengan .

Untuk mencari nilai eigen Matriks A yang berukuran n x n maka kita

menuliskan kembali A . x = x sebagai :

A . x = I . x …………………………….(2.3)

Atau secara ekivalen

(IA) . x = 0 …………………………….(2.4)

Supaya menjadi nilai eigen, maka harus ada pemecahan tak nol dari persamaan

ini, yang determinannya adalah :

det() = 0 …………………………….(2.5)

Persamaan ini dinamakan persamaan karakteristik A. Skalar yang memenuhi

persamaan tersebut adalah nilai eigen dari A. Suatu polinom dalam berderajat n

dalam persamaan det() = 0 dinamakan polinom karakteristik dari A. Jadi

polinom karakteristik Matriks A (n x n) adalah :

n + c1 n-1 + c2 n-2 + … + cn …………………………….(2.6)

Mencari akar persamaan karakteristik untuk mendapatkan nilai eigen

biasanya sangat sulit dikomputasi, karena itu dikembangkan berbagai cara

pemecahannya yang lebih mudah dikomputasi. Cara yang dikembangkan ini

disesuaikan dengan jenis matriks, tipe nilai eigen dan vektor eigen yang

dibutuhkan (real atau kompleks), serta apakah semua nilai eigen atau vektor eigen

yang harus dihitung.

Penelitian ini pada proses pengenalannya menggunakan perhitungan yang

memanfaatkan semua vektor eigen dan nilai eigen bertipe real yang ada,

sedangkan matriks yang diolah berbentuk simetris, maka metode komputasi yang

paling sesuai digunakan adalah dengan Transformasi Jacobi (Jacobi

Transformations). Sebelumnya akan dipaparkan terlebih dahulu mengenai

diagonalisasi matriks yang mendasari Transformasi Jacobi tersebut.

2.5.1 Diagonalisasi Matriks

Matriks bujur sangkar A dikatakan dapat didiagonalisasi secara ortogonal

jika terdapat Matriks P yang ortogonal sehingga P-1 . A . P ( = Pt . A . P) diagonal,

dalam hal ini Matriks P dikatakan mendiagonalisasi A secara ortogonal.

Persamaan (2.4) mendapatkan vektor eigen yang berbentuk vektor kolom

yang dikalikan dari sebelah kanan dengan Matriks A, biasanya secara eksplisit

disebut sebagai vektor eigen kanan. Sedangkan untuk mendapatkan vektor eigen

berbentuk vektor baris, maka dikalikan dari sebelah kiri dengan Matriks A, yaitu :

x . A = x …………………………….(2.7)

Vektor baris x disebut dengan vektor eigen kiri. Dengan memperoleh transpos

dari Persamaan (2.7), dapat dilihat bahwa setiap vektor eigen kiri adalah transpos

dari vektor eigen kanan Matriks A. Jika dilakukan pembandingan terhadap

Persamaan (2.5), menggunakan definisi determinan matriks sama dengan

determinan dari transposnya, maka dapat dilihat bahwa nilai eigen kiri dan kanan

Matriks A adalah identik satu sama lainnya.

Misalkan Matriks XR terbentuk oleh vektor kolom yaitu vektor-vektor

eigen kanan, dan Matriks XL terbentuk oleh vektor baris yaitu vektor-vektor eigen

kiri, maka Persamaan (2.2) dan (2.7) dapat ditulis dengan bentuk sebagai berikut :

A . XR = XR . diag(N ………………………..

XL . A = diag(N XL ………………………

dengan ketentuan bahwa diag(Nadalah matriks diagonal yang diagonal

utamanya berturut-turut mempunyai nilai , , N. Dengan mengalikan

Persamaan (2.8) di sebelah kiri dengan XL, Persamaan (2.9) dengan XR dari

sebelah kanan, dan selanjutnya mengurangkan keduanya, didapatkan :

(XL . XR) . diag(N diag(N (XL . XR) …….. (2.10)

Dengan mengalikan Persamaan (2.8) dengan XL, dan menggunakan kenyataan

bahwa XL dan XR Matriks invers, maka didapat :

XR-1 . A . XR = diag(N ………………………

Berikut merupakan transformasi similariti (similarity transform) dari Matriks A,

untuk mentransformasikan Matriks Z :

A Z-1 . A . Z …………………….. (2.12)

Transformasi similariti seperti di atas memainkan peranan yang sangat penting

dalam komputasi nilai eigen, sebab nilai eigen sebuah matriks tidak akan berubah

dengan dilakukannya transformasi ini. Secara mudahnya dapat dilihat dengan

bentuk sebagai berikut :

det |Z-1 . A . Z - I| = det |Z-1 . (A - I) . Z|

= det|Z| det|A - I| det| Z-1|

= det | A - I | ………………………(2.13)

Persamaan (2.12) memperlihatkan bahwa matriks yang memiliki vektor eigen

lengkap dapat didiagonalisasi dengan transformasi similariti, kolom matriks

transformasi dapat menyebabkan diagonalisasi dari vektor eigen kanan,

sedangkan baris dari invers matriks ini adalah vektor eigen kiri.

Untuk matriks yang elemen-elemennya adalah bilangan real, matriks

simetris, vektor eigennya juga real dan ortonormal, maka matriks transformasi

dari matriks tersebut adalah matriks ortogonal. Transformasi similariti dari

transformasi ortogonalnya ditunjukkan dengan bentuk sebagai berikut :

A Zt . A . Z ………………………(2.14)

Strategi terbaik yang sering dipergunakan untuk mendapatkan sistem eigen

adalah mendekatkan Matriks A ke bentuk matriks diagonal dengan melakukan

operasi transformasi similariti secara berturut-turut, seperti yang terlihat pada

Persamaan (2.15) berikut :

A P1-1 . A . P1 P2

-1 . P1-1 . A . P1 . P2

P3-1 . P2

-1 . P1-1 . A . P1 . P2 . P3

dst. ……………... (2.15)

Jika bentuk diagonal semuanya didapat, maka vektor eigennya merupakan kolom

dari akumulasi transformasi berikut ini :

XR = P1 . P2 . P3 . … ………………………(2.16)

2.5.2 Transformasi Jacobi Matriks Simetris

Metode Jacobi (William H. Press, 1992, hal.463) terdiri dari urutan

transformasi similariti ortogonal seperti yang terlihat pada Persamaan (2.15).

Setiap transformasi (sebuah rotasi Jacobi) adalah sebuah operasi yang didesain

untuk mengenolkan elemen-elemen di luar diagonal utama matriks. Transformasi

yang dilakukan tidak langsung menghasilkan nol, akan tetapi jika transformasi

berturut-turut dilakukan maka akan menghasilkan nilai di luar diagonal utama

yang semakin kecil atau semakin mendekati nol. Transformasi dihentikan sampai

batas toleransi yang ditetapkan. Batasan toleransi ditentukan dengan nilai yang

sangat kecil, batasan toleransi ini akan berpengaruh pada pendekatan kebenaran

nilai eigen yang dihasilkan. Akumulasi hasil dari transformasi ini mendapatkan

matriks vektor eigen (Persamaan 2.16). Elemen dari diagonal matriks yang

terakhir didapat adalah merupakan nilai eigen.

Dasar dari Rotasi Jacobi Ppq adalah sebuah matriks bujur sangkar dengan

elemen-elemennya seperti yang terlihat pada matriks berikut :

1

1

1

cs

scPpq ………………(2.17)

Matriks di atas menunjukkan, semua elemen diagonal diberikan nilai 1, kecuali

dua elemen c dalam baris (dan kolom) p dan q. Semua elemen non-diagonal

utama adalah nol kecuali elemen s dan –s. Bilangan c dan s adalah nilai kosinus

dan sinus dari sudut rotasi , dengan c2 + s2 = 1.

AP tpq .

Rotasi seperti yang terlihat pada Persamaan 2.17, digunakan untuk

mentransformasikan Matriks A dengan aturan :

pqtpq PAPA ..' ………………………(2.18)

Pada Operasi , yang berubah hanyalah baris p dan q dari Matriks A, sedangkan

pada A.Ppq yang berubah hanya kolom p dan q. Perubahan elemen-

elemen A dalam Persamaan 2.18, yaitu hanya pada baris p dan q, serta kolom p

dan q dinyatakan dalam bentuk matriks sebagai berikut :

nqnp

qnqqqpq

pnpqppp

qp

aa

aaaa

aaaa

aa

A

''

''''

''''

''

'

1

1

11

……………... (2.19)

Menggunakan hasil perkalian Persamaan 2.18, dengan A adalah matriks simetris,

maka didapat :

rqrprp sacaa ……........................... (2.20)

rprqrq sacaa ……........................... (2.21)

qrpr ,

pqqqpppp scaasaca 222 …............................... (2.22)

pqqqppqq scaacasa 222 ……........................... (2.23)

qqpppqpq aascasca 22 ……................(2.24)

Metode Jacobi dicoba untuk mengenolkan elemen-elemen non diagonal

utama dengan urutan rotasi seperti yang disebutkan di atas. Dengan menentukan

nilai a’pq = 0, Persamaan 2.24 menghasilkan ekspresi untuk sudut rotasi :

pq

ppqq

aaa

scsc

222cot

22

……............... (2.25)

Jika ditentukan t s/c, definisi dapat ditulis kembali dalam bentuk :

0122 tt …….......................... (2.26)

Jika sudut rotasi kurang dari /4 maka akan mendapatkan akar kwadrat

kecil yang dicari dengan menggunakan persamaan :

1

sgn2

t …….......................... (2.27)

sgn() = -1 jika < 0, selain itu sgn() = 1.

Sedangkan jika besar, akan menghasilkan nilai yang bisa menyebabkan

kesalahan perhitungan (overflow pada komputer). Hal tersebut diatasi dengan

menentukan t = 1/(2), maka didapat :

112

t

c …….........................(2.28)

s = tc …….........................(2.29)

Guna mengurangi kesalahan yang terjadi pada perhitungan dari Persamaan

2.20 – 2.24, maka Persamaan 2.24 diganti dengan :

0pqa …….........................(2.30)

adalah ide dalam memperbaharui persamaan dengan memberikan nilai yang sama

pada nilai lama ditambah dengan sedikit koreksi. Untuk itu Persamaan 2.24 dan

2.30 dapat digunakan untuk mengeliminasi aqq dari Persamaan 2.22, didapat :

pqpppp taaa …….........................(2.31)

Begitu juga terhadap persamaan lainnya, yang menghasilkan persamaan berikut :

pqqqqq taaa …….........................(2.32)

rprqrprp aasaa ……..........................(2.33)

rqrprqrq aasaa …….........................(2.34)

di mana (= tg /2) didefinisikan dengan :

cs

1

…….........................(2.35)

Konvergensi metode Jacobi didapat dengan menjumlahkan kwadrat dari

elemen non diagonal utama, yaitu dengan persamaan :

sr

rsaS 2 …….........................(2.36)

Sehingga Persamaan 2.21 – 2.25 dapat diimplementasikan dengan :

2

2 pqaSS …….........................(2.37)

Setelah dilakukan operasi berulang-ulang sampai batasan mesin precision

yang diijinkan, maka didapat matriks diagonal D. Elemen-elemen pada diagonal

utama Matriks D inilah merupakan nilai eigen Matriks A. Dengan kata lain D

didapat melalui persamaan :

D = Vt . A . V …….........................(2.38)

V = P1 . P2 . P3 . . . …….........................(2.39)

Kolom-kolom Matriks V adalah vektor eigen dari Matriks A, yang urutannya

bersesuaian dengan nilai eigennya masing-masing.

2.6 Unjuk Kerja Sistem

Unjuk kerja suatu sistem pengenalan diukur berdasarkan nilai rata-rata

kesalahan. Nilai rata-rata kesalahan ini ada dua macam, yaitu:

i. Rata-rata kesalahan tipe I (FRR : false rejection rate)

Kesalahan yang terjadi penolakan mengenali karakter Aksara Bali

yang sama, atau tidak dikenalinya aksara yang sudah terdaftar.

ii. Rata-rata kesalahan tipe II (FAR : false acceptance rate)

Kesalahan penerimaan yaitu yang terjadi karena mengenali aksara

input sebagai Aksara Bali yang berbeda.

Gambar 2.5

Pembagian kelompok (dikenali/tidak) dan evaluasi rata-rata kesalahan nilai beda (a) ideal; (b) kenyataan

Kedua nilai rata-rata kesalahan itu berubah menurut nilai ambang atau

nilai kritis penerimaan yang dipakai. Kondisi ideal masalah ini digambarkan pada

Gambar 2.5(a). Kondisi ideal terjadi apabila ciri-ciri karakter Aksara Bali yang

signifikan dapat diekstraksi sedemikian rupa sehingga dapat memisahkan antara

satu karakter dengan karakter lainnya. Tidak akan terjadi imitasi pada kondisi

ideal ini, akan tetapi di dalam kondisi praktis, permasalahan pemilihan ciri tidak

dapat diselesaikan dengan baik, maka pengenalan karakter tersebut tidak dapat

dipisahkan secara optimal. Kondisi ini digambarkan pada Gambar 2.5(b).

Gambar 2.5 tersebut juga menunjukkan kesulitan untuk mengevaluasi beberapa

sistem pengenalan yang berbeda karena nilai ambang masing-masing sistem

Diterima Ditolak

Tipe I (FRR) Tipe II

(FAR)

Kesalahan (%)

Nilai Ambang Cc

x Cd

0

j1 j

2

Cc x Cd (b)

j1

j2

j1 j

2

Cc x Cd

Diterima Ditolak

Tipe I (FRR)

Tipe II (FAR)

Kesalahan (%)

Nilai ambang

Cc x Cd

0 (a)

j1 j

2 FA FR

berbeda dan dicoba pada basisdata Aksara Bali yang berbeda pula, atau hasil

evaluasi sangat tergantung pada spesifikasi sistem dan basisdata yang dipakai.

Speech is the expression of the heart together with the mind.

Therefore for speech to be right it is necessary for the heart and mind to be right.

(Anand Khrisna)

BAB III

METODE PENELITIAN

BAB III

METODE PENELITIAN

3.1 Sumber Data

Sumber data yang dipakai sebagai sampel Aksara Bali yang digunakan

untuk melakukan pembentukan pola model dan pengujian sistem pengenalan

karakter ini adalah data citra Aksara Bali dalam penelitian I Komang Gede

Suamba Dharmayasa (Dharmayasa, 2009). Sampel Aksara Bali yang digunakan

diperoleh dari hasil scan buku ajar Bahasa Bali yang diambil menggunakan

segmentasi per blok karakter dan juga dari internet.

Pola Model dari Pola Busur Terlokalisasi yang digunakan dalam penelitian

ini adalah pola model yang dikembangkan dari bentuk pola busur dan dipilih

sesuai dengan frekuensi kemunculan terbanyak khusus untuk citra Aksara Bali,

serta pola model pembanding pada saat pengujian unjuk kerja sistem dari Prof

Isao Yoshimura (Yoshimura, 1993) dan AA. Kompiang Oka Sudana (Sudana,

2007).

3.2 Tempat dan Waktu Penelitian

Penelitian dan pengerjaan sistem dilakukan di Br. Buana Agung

Padangsambian, Denpasar dari Bulan Januari sampai Juni 2011.

3.3 Gambaran Umum Sistem Pengenalan Karakter Aksara Bali

Gambar 3.1 Gambaran Umum Sistem Pengenalan Aksara Bali

3.3.1 Pembentukan dan Pemilihan Pola Model

Pembentukan pola model baru yang didasarkan pada batasan-batasan

dalam Metode Pola Busur Terlokalisasi untuk Tulisan Jepang dan Tandatangan

Latin dengan tujuan untuk mengurangi banyaknya pola model yang digunakan,

sehingga waktu proses sistem bisa lebih singkat. Batasan utamanya yaitu

lokalisasi permasalahan pada pola model yang didefinisikan di dalam sebuah

Laporan hasil pengenalan

Keluaran nilai ketidaksamaan terkecil dan ID Aksara

Proses pendaftaran

Masukan citra karakter

Aksara Bali

Masukan citra karakter

Aksara Bali

Pengembang sistem

Basisdata pola model

Basisdata acuan

Proses pembuatan pola model

Proses Pengambilan Keputusan

Nilai threshold

Proses Pencarian Nilai Terkecil Ketidaksamaan

Proses Pencocokan dengan Semua

Basisdata Aksara

bujur sangkar kecil berukuran 5 x 5, tetapi pemilihannya berbasis pada sampel

Aksara Bali yang dimiliki.

3.3.2 Tahapan Pengenalan Karakter Aksara Bali

Secara umum dalam pengolahan citra, untuk mendapatkan informasi yang

terkandung di dalamnya maka biasanya dilakukan proses-proses pendahulu pada

citra tersebut. Setelah itu baru dilakukan proses-proses berikutnya yang berkenaan

dengan informasi apa yang diinginkan untuk diolah, demikian juga halnya pada

pengenalan Tulisan Bali. Adapun tahapan-tahapan yang dilakukan dalam sistem

Pengenalan Karakter Aksara Bali, khususnya Metode Pola Busur Terlokalisasi


i. Akuisisi data (data acquisition)

Akuisisi data merupakan proses pengubahan data dari data analog

Aksara Bali, menjadi citra dengan scanner. Citra yang disimpan dalam

format file bitmap berupa data kasar dan selanjutnya akan diproses pada

tahapan selanjutnya.

ii. Pra pemrosesan (preprocessing)

Tahap awal pra pemrosesan ini, jika file bitmap yang dihasilkan pada

tahap pengambilan data belum berbentuk dua warna (hitam putih) maka

terlebih dahulu dilakukan konversi menjadi data citra dua warna (proses

binerisasi), karena citra Aksara Bali yang nantinya diperlukan berupa

citra biner. Setelah itu dilakukan eliminasi terhadap data yang tidak

diperlukan, guna memastikan bahwa data yang akan diproses pada

tahapan berikutnya sudah merupakan data yang sahih.

iii. Ekstraksi ciri (feature extraction)

Setelah data tersebut diolah menjadi data jadi pada tahap pra proses,

kemudian dilakukan ekstraksi ciri dari citra biner Aksara Bali. Ciri-ciri

yang diekstraksi bergantung pada metode yang dipakai dalam proses

pembandingan nantinya, yang mana dalam penelitian ini digunakan

adalah pola model khusus untuk Aksara Bali dari Metode Pola Busur

Terlokalisasi yang mana diantara model pola-polanya terlihat pada

Gambar 2.4. Aksara Bali yang telah berbentuk citra biner akan

langsung diproses untuk mendapatkan frekuensi kemunculan masing-

masing pola. Pola yang memiliki nomor model yang sama tetapi dengan

nomor urut berbeda, frekuensi kemunculannya dijumlahkan untuk

mendapatkan frekuensi kemunculan dari pola model tersebut. Cara

penghitungannya adalah dengan menggerakkan setiap pola model di

atas pola biner citra Aksara Bali, sebagai patokan adalah titik yang

berbentuk lingkaran penuh. Titik ini digeser secara teratur satu grid ke

arah horisontal atau vertikal, sampai semua titik pada citra biner Aksara

Bali terlewati. Setiap pergeseran dilakukan pembandingan terhadap

ruang yang dilingkupi oleh model tersebut, apakah sama ataukah tidak.

Jika sama maka frekuensi kemunculan pola model tersebut

ditambahkan. Misalkan citra Aksara Bali dilambangkan dengan f dan

terdapat 23 pola model maka citra Aksara Bali tersebut dapat

diekspresikan sebagai vektor kolom x berdimensi p, dengan p adalah 23

yaitu sesuai dengan pola model yang ada. Dalam matriks bentuk

tersebut dapat dituliskan sebagai berikut :

.......................................(3.1)

Elemen-elemen x yaitu x1, x2,… x23 adalah frekuensi kemunculan dari

masing-masing pola model sesuai dengan nomor modelnya.

iv. Pendaftaran (enrollment)

Tahapan pendaftaran Aksara Bali acuan dilakukan dengan

mengekstraksi ciri dari beberapa Aksara Bali acuan dan hasil yang

diperoleh disimpan pada sebuah file basisdata acuan. Misalkan

masing-masing Aksara Bali ke i disebut dengan Pi digunakan sebagai

Aksara Bali acuan sebanyak m, maka dari m buah Aksara Bali ini

diekstraksi ciri menggunakan Metode Pola Busur Terlokalisasi

menghasilkan m buah vektor kolom x berdimensi p, hasil ini dijadikan

satu matriks vektor berukuran p x m dengan bentuk sebagai berikut :

Nilai m yang digunakan pada sistem ini adalah 3 Aksara Bali yang

diambil dari beberapa buku cetak, dengan pertimbangan bahwa 3

Aksara Bali tersebut diharapkan mampu untuk mewakili variasi yang

ada dari sebuah karakter Aksara Bali, di samping itu sistem nantinya

bekerja dengan tidak terlalu lambat. Jadi ukuran matriks vektor acuan

23

2

1

x

xx

x

pmpp

m

m

i

xxx

xxxxxx

P

21

22221

11211

………………………(3.2)

pada sistem pengenalan ini adalah 23 x 3 untuk 23 pola model serta

42 x 3 untuk 42 pola model. Matriks vektor yang didapatkan disimpan

pada basisdata acuan dengan kata kunci nomor identitas Aksara Bali.

v. Pembandingan (comparison)

Tahap pembandingan merupakan inti dari keseluruhan proses

pengenalan. Pada tahap pembandingan ini, ciri citra Aksara Bali

masukan akan dibandingkan dengan ciri acuan yang ada pada basis

data. Pada tahap inilah dilakukan perhitungan-perhitungan dari

frekuensi yang didapat pada proses ekstraksi ciri. Berdasarkan proses

pembandingan tersebut didapatkan nilai ketidaksamaan (dissimilarity

measure) masing-masing acuan dengan citra input. Nilai ketidaksamaan

atau nilai beda inilah yang digunakan sebagai dasar untuk pengambilan

keputusan hasil pengenalan. Basisdata acuan dibaca satu record data

acuan karakter. Acuan yang berbentuk matriks p x m ini selanjutnya

dihitung rata-rata kemunculan setiap pola model dengan cara :

m

k

iki m

xx1

…………………………………………….(3.3)

Nilai-nilai yang dihasilkan yaitu x1/, x2/, … xp/, ditempatkan sebagai

elemen vektor kolom x/ berdimensi p, yang merupakan rata-rata

acuan. Lalu dicari matriks varians V berdimensi p x p dari acuan

dengan persamaan:

m

j

tjj mxxxxV

1

// / ……………....(3.4)

Mencari frekuensi kemunculan pola model pada citra karakter yang

dibandingkan sama halnya dengan mencari frekuensi pola model acuan.

Misalkan Aksara Bali yang dibandingkan disebut Q maka vektor kolom

hasilnya adalah xq. Varians V, rata-rata acuan x/ dan vektor kolom xq,

digunakan menghitung nilai beda (Yoshimura I. dkk, 1994, hal.61)

dengan persamaan sebagai berikut:

p

qk q

kkQ

q

k k

kkQ ZZZZ

QPiD1

2/

1

2/ )()(

),( ... (3.5)

Qtk

kQ xlZ ………………………………………. (3.6)

// xlZ tk

k ………………………………………...(3.7)

dengan ketentuan :

D(Pi,Q) : nilai ketidaksamaan antara acuan Pi dengan pembanding Q.

: vektor kolom yang berisi nilai eigen dengan urutan menurun

(descending order) yaitu (, , …, p)

lk : vektor eigen yang berbentuk vektor kolom terurut sesuai

dengan nilai eigen yang berhubungan.

xQ : vektor kolom yang berisi frekuensi munculnya pola model

pada citra karakter pembanding.

x/ : vektor kolom rata-rata acuan.

t : transpose.

p : dimensi vektor kolom

q : suatu integer dengan syarat 1q p. Konstanta q merupakan

nomor pemotongan dari nilai eigen.

vi. Perancangan Basis Data Acuan

Perancangan basisdata acuan adalah merupakan proses pembentukan

file basisdata yang akan dijadikan acuan pada saat proses pengenalan.

Metode yang dipakai dalam pembuatan data acuan mengacu pada

metode Leave-One-Out, yang menyarankan pembentukan basisdata

dari sampel Aksara Bali yang dimasukkan, menggunakan sebanyak 3

sampai 10 buah Aksara Bali untuk sebuah karakter. Dalam pengerjaan

sistem pengenalan ini digunakan 6 buah sampel Aksara Bali untuk

masing-masing karakter, dengan perincian : 3 Aksara Bali untuk acuan

serta 3 Aksara Bali sisanya sebagai pembanding untuk menentukan

nilai ambang. Tahap perancangan basisdata acuan terdiri dari dua

pokok penting yaitu pendaftaran Aksara Bali acuan dan penentuan

nilai ambang batas yang akan disimpan dalam satu record dengan kata

kunci nomor identitas. Setelah dilakukan proses pendaftaran tersebut

dilanjutkan dengan membandingkan Aksara Bali yang akan

dipergunakan untuk menentukan nilai ambang. Berdasarkan hasil

pembandingan tiga Aksara Bali ini didapatkan nilai ketidaksamaannya

masing-masing. Median dari nilai ketidaksamaan inilah yang disimpan

pada basisdata acuan melengkapi frekuensi sampel sebelumnya, dan

dipergunakan sebagai nilai ambang (threshold) atau nilai kritis yang

dikalikan dengan suatu konstanta Cd. Nilai kritis dilambangkan

dengan Cc. Besarnya konstanta pengali nilai kritis untuk keseluruhan

sistem ditentukan melalui proses pengujian, yang dipengaruhi oleh

prosentase terjadinya kesalahan.

vii. Pengambilan keputusan (decision making)

Tahap ini bertugas untuk memberikan keputusan dari proses

pembandingan yang telah dilakukan. Nilai-nilai ketidaksamaan yang

didapatkan pada proses sebelumnya diurutkan. Identitas acuan dengan

nilai ketidaksamaan terkecil dan memenuhi nilai ambang batas

(thereshold) diputuskan sebagai jenis karakter Aksara Bali yang sesuai

dengan citra Aksara Bali yang diinputkan. Jika nilai ketidaksamaan

terkecil yang didapatkan masih diatas nilai ambang batas, maka

disimpulkan karakter Aksara Bali masukan tersebut tidak dikenali.

Nilai ambang batas didapatkan dengan pengujian-pengujian

sebelumnya. Apabila d(Pj, Qi) didefinisikan sebagai nilai

ketidaksamaan antara Aksara Bali acuan yang dimiliki oleh sebuah

karakter Aksara Bali Pj dengan Aksara Bali yang diuji Qi, Ccj adalah

nilai kritis yang telah didapat sebelumnya dari sebuah karakter Aksara

Bali Pj serta Cd adalah konstanta pengali, maka berlaku hubungan :

Jika d(Pj, Qi) Ccj x Cd maka keputusannya ‘DIKENALI’

Selain itu keputusannya ‘TIDAK TERDAFTAR’.

3.4 Perancangan Sistem

Perancangan sistem merupakan tahap untuk mentransformasikan berbagai

kebutuhan ke bentuk data dan arsitektur program yang akan diimplementasikan

pada tahap pembuatan sistem nantinya. Perancangan tersebut meliputi penjelasan

dalam bentuk bagan alir proses, serta perancangan struktur data.

3.4.1 Diagram Jackson Sistem Pengenalan

Rancangan sistem pengenalan yang berupa struktur program, ditampilkan

dalam Diagram Jackson yang direpresentasikan dalam bentuk struktur diagram

dan struktur teks. Adapun struktur diagram sistem pengenalan ini adalah seperti

yang terlihat pada Gambar 3.2. Pada struktur diagram sistem pengenalan tersebut

terlihat gambaran sistem secara lebih rinci, pendefinisian kebutuhan menu-menu

pokok dan modul-modul program yang nantinya diperlukan oleh sistem

pengenalan, baik modul-modul yang dijalankan secara iterasi ataupun yang

bersifat pilihan.

Sistem pengenalan dibagi menjadi dua modul utama yaitu modul

PERSIAPAN LINGKUNGAN SISTEM dan modul SISTEM UTAMA. Hal

terpenting yang perlu diperhatikan adalah persiapan lingkungan sistem berupa

memasukkan pola model ke file dan setting konstanta mutlak harus ada pada saat

sistem untuk pertama kali dijalankan sebelum melakukan pemrosesan terhadap

yang lainnya, sedangkan untuk yang kedua kali atau seterusnya file pola model

dan konstanta ini bisa diubah melalui menu-menu pada modul sistem utama.

Gambar 3.2 Struktur Diagram Jackson Sistem Pengenalan

PERSIAPAN LINGKUNGAN

SISTEM

o MASUKAN

POLA MODEL KE FILE

o SETTING

KONSTANTA

SISTEM PENGENALAN

*

SISTEM UTAMA

Keterangan

* : iterasi o

o UBAH LINGKUNGAN

SISTEM

o MASUKAN

POLA MODEL KE FILE

o SETTING

KONSTANTA

o

PEMBUATAN

DATA ACUAN

o PENGENALAN

*

PROSES PENGENALAN

BUAT LAPORAN

BACA CITRA AKSARA

EKSTRAKSI CIRI

PEMBANDINGAN

PENGAMBILAN KEPUTUSAN

*

PROSES PEMBUATAN

DATA ACUAN

*

CARI FREKUENSI ACUAN

*

CARI NILAI AMBANG

CARI MEDIAN NILAI AMBANG

TULIS KE FILE ACUAN

BACA CITRA AKSARA

MASUKAN IDENTITAS AKSARA

BACA CITRA AKSARA

EKSTRAKSI CIRI

EKSTRAKSI CIRI

PEMBANDINGAN

Struktur Diagram Jackson sistem pengenalan pada Gambar 3.2 selanjutnya

ditulis dalam bentuk struktur teks sebagai berikut :

SISTEM_PENGENALAN seq

PERSIAPAN_LINGKUNGAN_SISTEM

PERSIAPAN_LINGKUNGAN_SISTEM sel (MASUKAN_POLA_MODEL_KE_FILE)

MASUKAN_POLA_MODEL_KE_FILE;

PERSIAPAN_LINGKUNGAN_SISTEM alt (SETTING_KONSTANTA)

SETTING_KONSTANTA;

PERSIAPAN_LINGKUNGAN_SISTEM end;

SISTEM_UTAMA itr while (UBAH_LINGKUNGAN_SISTEM or PEMBUATAN_DATA_ACUAN or PENGENALAN)

SISTEM_UTAMA sel (UBAH_LINGKUNGAN_SISTEM)

UBAH_LINGKUNGAN_SISTEM

UBAH_LINGKUNGAN_SISTEM sel (MASUKAN_POLA_MODEL_KE_FILE)

MASUKAN_POLA_MODEL_KE_FILE;

UBAH_LINGKUNGAN_SISTEM alt (SETTING_KONSTANTA)

SETTING_KONSTANTA;

UBAH_LINGKUNGAN_SISTEM end;

SISTEM_UTAMA sel (PEMBUATAN_DATA_ACUAN)

PEMBUATAN_DATA_ACUAN

c_aksara 1;

PROSES_PEMBUATAN_DATA_ACUAN itr while (c_aksara banyak_aksara)

MASUKAN_IDENTITAS_AKSARA;

c_acuan 1;

CARI_FREKUENSI_ACUAN itr while (c_acuan banyak_acuan)

BACA_CITRA_AKSARA;

EKSTRAKSI_CIRI;

CARI_FREKUENSI_ACUAN end;

c_banding 1;

CARI_NILAI_AMBANG itr while (c_banding banyak_banding)

BACA_CITRA_AKSARA;

EKSTRAKSI_CIRI;

PEMBANDINGAN;

CARI_NILAI_AMBANG end:

CARI_MEDIAN_NILAI_AMBANG;

TULIS_KE_FILE_ACUAN;

PROSES_PEMBUATAN_DATA_ACUAN end;

PEMBUATAN_DATA_ACUAN end;

SISTEM_UTAMA alt (PENGENALAN)

RECOGNATION seq

AKTIFKAN_DATAAKSARA;

PROSES_PENGENALAN itr while (banyak_uji_coba)

BACA_CITRA_AKSARA;

EKSTRAKSI_CIRI;

PEMBANDINGAN;

PENGAMBILAN_KEPUTUSAN;

PROSES_PENGENALAN end;

BUAT_LAPORAN;

PENGENALAN end;

SISTEM_UTAMA end;

SISTEM_PENGENALAN end.

Variabel pembantu dalam struktur teks di atas (c_aksara, c_acuan dan

c_banding) serta konstanta pembantu (banyak_aksara, banyak_acuan dan

banyak_banding) digunakan untuk menentukan berapa kali pengulangan proses

(iterasi) pada masing-masing modul, yang pada struktur diagram belum terlihat

secara jelas. Banyak_aksara adalah banyak aksara yang akan didaftar,

banyak_acuan adalah banyak aksara acuan, banyak_banding adalah banyak

aksara pembanding yang dicari median nilai bedanya sebagai nilai ambang.

3.4.2 Bagan Alir Proses

Bagan alir diperlukan untuk memperjelas proses-proses yang dilakukan,

terutama pada proses pengenalan dan tahap pendaftaran. Langkah-langkah yang

dilakukan sehingga bisa menghasilkan suatu keputusan yang dapat mengenali

jenis karakter yang diuji, mencakup tahap ekstraksi ciri, tahap pembandingan dan

tahap pengambilan keputusan terlihat pada Gambar 3.3 mengenai bagan alir

proses pengenalan Aksara Bali. Bagan alir ini sebagai perincian dari langkah-

langkah dan perhitungan yang terjadi pada modul Pengenalan. Sedangkan bagan

alir yang merupakan perincian dari langkah-langkah serta perhitungan pada modul

PEMBUATAN_DATA_ACUAN diperlihatkan dalam Gambar 3.4 mengenai

bagan alir tahap pendaftaran.

Proses pembandingan baik yang ada pada modul Pengenalan maupun

pada tahap pendaftaran (modul PEMBUATAN_DATA_ACUAN) adalah bagian

yang paling banyak memerlukan proses perhitungan (persamaannya ada pada Sub

Bab 3.3.2). Perhitungan-perhitungan yang dilakukan diantaranya perhitungan

untuk mendapatkan frekuensi kemunculan rata-rata (mean frequency), varians,

nilai eigen, vektor eigen dan perhitungan nilai ketidaksamaan, sehingga tahap

pembandingan dapat menghasilkan laporan tentang nilai ketidaksamaan yang

akan dipakai sebagai dasar pengambilan keputusan.

Gambar 3.3 Bagan alir proses pengenalan Aksara Bali

Ya

Tidak Ya

Start

Aktifkan data acuan ke i, Pi

Hitung varians ( V )

Hitung nilai eigen (), vektor eigen (l) serta

urutannya secara menurun

Simpan di Array Nilai Ketidaksamaan Aksara uji Q

Ekstraksi ciri citra Aksara Bali uji Q

Hitung ketidaksamaan D(P i,Q)

Uji lagi ?

Stop

D(Pi,Q) Cci x Cd

Hasil uji Q

“Tidak Terdaftar”

Hasil uji Q “Dikenali Sebagai

aksara ke-i”

Laporan - daftar hasil - daftar D(Pi,Q) - waktu proses

Tidak

Tidak

Ya

Masukkan Aksara Uji

Record Terakhir

Hitung frekuensi rata-rata (x/)

Proses Pencarian Nilai D(Pii,Q) Terkecil

Inc(i)

Gambar 3.4 Bagan alir tahap pendaftaran

Tidak

Tidak Ya

Ya

Aktifkan citra Aksara Bali Acuan

Stop

Id sudah terdaftar ?

Hitung frekuensi rata-rata (x/) dari Pid

Hitung varians ( V )

Hitung nilai eigen (), vektor eigen (l) serta

urutannya secara menurun

Mendaftarkan Aksara Bali baru lagi ?

Baca citra

Ekstraksi ciri, simpan ke array P id[m]

Masukkan Nomor Id

Masukkan nama Aksara Bali

m = 0 t = 0

Ya

m > 3 Tidak

Inc(m)

Ya

t > 3 Tidak

Inc(t)

Hitung nilai ketidaksamaan D(Pid,Qt)

Baca citra

Ekstraksi ciri Aksara Bali ke-t+3

Cari median dari D(Pid,Qt) sebagai

nilai ambang (Ccid)

Tulis Pid ke file

basis data acuan

Start

3.4.3 Struktur Data

Melihat rancangan sistem yang ada maka selanjutnya disiapkan struktur

data dari rancangan sistem pengenalan yang nantinya akan dipergunakan pada

saat implementasi ke dalam bentuk program berbasis Borland Delphi. Adapun

struktur data utama dari program sistem pengenalan ini adalah sebagai berikut :

TModelPattern = record Nomor : byte; //nomor pola Model : byte; //nomor model Pattern : array[0..4,0..4] of byte;

//pola model 5x5 end;

TArrModelPattern = array [1..DimVector] of TModelPattern;

Struktur “TModelPattern” dipakai sebagai struktur record dari file pola model

dan disimpan dalam struktur array “TArrModelPattern”. Besarnya array

yang dialokasikan untuk struktur “TArrModelPattern“ adalah sebanyak

jumlah maksimum pola model yang ada, dalam hal ini diwakili oleh konstanta

“DimVector”.

THuruf = record IdNumber : word; Name : string[35]; Freq :array[1.. DimVector,1..6] of word; RefFileName : string[70]; ADis : array[1..3] of real; Critical : real;

end; Person : THuruf; FileReference : file of THuruf;

Struktur “THuruf” dipakai sebagai struktur record dari variabel “Huruf“ yang

berisi data masing-masing karakter Aksara Bali, selanjutnya nanti juga akan

dipergunakan sebagai struktur record dari variabel file basisdata acuan. Struktur

“THuruf” ini berisi nomor identitas, nama karakter Aksara Bali, frekuensi

kemunculan pola model dari 3 Aksara Bali acuan, nama file beserta directory dari

lokasi penyimpan file citra acuan, nilai ketidaksamaan yang dihasilkan dari

3 Aksara Bali pembanding yang dipakai untuk mencari nilai ambang, serta nilai

ambang terpilih yang dicari dari median ketiga nilai ketidaksamaan Aksara Bali

tersebut.

TPosGambar = record AwalX, AkhirX, AwalY, AkhirY : integer; end;

Struktur “TPosGambar” merupakan struktur variabel dari posisi koordinat

pojok masing-masing citra Aksara Bali.

Struktur data pendukung yang diperlukan dalam proses-proses perhitungan

maupun penyimpanan data adalah sebagai berikut:

TFrequency = array[1.. DimVector] of word;

Struktur “TFrequency” merupakan struktur variabel penyimpan frekuensi

kemunculan masing-masing pola model dari hasil ekstraksi ciri Aksara Bali.

TMeanFrequency = array[1.. DimVector] of real;

Struktur “TMeanFrequency” merupakan struktur variabel penyimpan nilai

rata-rata kemunculan setiap pola model dari ekstraksi ciri beberapa Aksara Bali

acuan.

TFreqMinMean = array[1.. DimVector,1..Number] of real;

Struktur “TFreqMinMean” merupakan struktur variabel penyimpan nilai

frekuensi kemunculan masing-masing pola model dari setiap Aksara Bali acuan

yang telah dikurangi dengan frekuensi rata-rata yang bersesuaian, juga merupakan

struktur dari variabel yang menyimpan perhitungan nilai eigen.

TVariance = array[1.. DimVector,1.. DimVector] of real;

Struktur “TVariance” merupakan struktur dari variabel penyimpan hasil

perhitungan varians dan vektor eigen.

TGambar = array[1..SignHeigh,1..SignWidth] of byte;

Struktur “TGambar” merupakan struktur variabel penyimpan nilai pola biner dari

setiap piksel citra Aksara Bali, yang dalam hal ini bernilai 0 untuk piksel

berwarna putih dan bernilai 1 untuk piksel berwarna hitam. Konstanta

“SignHeigh” dan “SignWidth” adalah ukuran ruang pembatas Aksara Bali,

yang dalam hal ini nilai konstanta tersebut masing-masingnya adalah 140 piksel

dan 165 piksel.

TSort = array[1.. DimVector] of byte;

Struktur “TSort” merupakan struktur variabel penyimpan hasil pengurutan dari

frekuensi kemunculan pola model.

3.5 Pembuatan Sistem

Pembuatan sistem merupakan tahap pengembangan dan implementasi dari

rancangan sistem yang telah dibuat sebelumnya menjadi suatu sistem pengenalan

Aksara Bali dalam bentuk program komputer. Tahapan ini meliputi penentuan

kebutuhan sistem dan pemrograman yang di dalamnya.

3.5.1 Kebutuhan Sistem

Pembuatan sistem pengenalan Aksara Bali yang intinya pengembangan

rancangan sistem sebelumnya melalui pemrograman komputer, memerlukan

perangkat-perangkat pendukung berupa perangkat keras (hardware) dan

perangkat lunak (software) yang dibutuhkan agar sistem dapat bekerja dengan

baik. Kebutuhan-kebutuhan tersebut dijelaskan sebagai berikut.

3.5.1.1 Kebutuhan Perangkat Keras

Spesifikasi komputer yang digunakan untuk mengembangkan maupun

pengujian sistem pengenalan ini adalah prosesor Intel Core i5 M 450 @2.40 GHz,

dengan memori SDRAM 2 GB dan kapasitas harddisk 500 GB.

3.5.1.2 Kebutuhan Perangkat Lunak

Sistem pengenalan ini dikembangkan dalam lingkungan sistem operasi

Microsoft Windows 7 ultimate. Pemilihan sistem operasi tersebut didasarkan atas

pertimbangan bahwa sistem pengenalan Aksara Bali secara baik hanya dapat

diimplementasikan dalam modus grafik. Microsoft Windows 7 ultimate

merupakan suatu sistem operasi berbasis grafik yang banyak menjadi pilihan saat

ini. Dalam lingkungan Windows, pembuatan antar muka grafis dapat dilakukan

dengan lebih mudah. Di samping itu Windows 7 ultimate juga mendukung bahasa

pemrograman yang dipakai mengembangkan sistem ini yaitu Borland Delphi 7.0.

Perangkat lunak lain yang diperlukan adalah program paket pengolahan

citra, dan dipergunakan pada tahapan prapemrosesan. Dalam pengerjaan

penelitian ini perangkat lunak paket pengolahan citra yang dipergunakan adalah

Paint Shop Pro.

3.5.2 Pemrograman

Aspek pemrograman yang dibuat dalam sistem pengenalan Aksara Bali ini

meliputi implementasi struktur program yang telah dirancang ke dalam kode-kode

bahasa pemrograman. Implementasi pemrogramannya menggunakan perangkat

lunak Borland Delphi 7.0, yaitu perangkat lunak pemrograman visual yang

dijalankan di bawah sistem operasi Windows, dengan bahasa pemrograman

berbasis Pascal.

3.5.2.1 Konstanta dan Variabel Global

Konstanta-konstanta beserta nilainya yang digunakan pada keseluruhan

program dari sistem verifikasi ini adalah sebagai berikut :

MaxHuruf = 255; DimVector23 = 23; DimVector42 = 42; JumModel23 = 23; JumModel42 = 52; Number = 3; DefaultQi = 3; DefaultReferName = 'R2331.Dat'; PatternName23 = 'Model23.Dat'; PatternName42 = 'Model42.Dat'; DefPartName = 'Aksara1.Dat'; DefaultCd = 3; SignWidth = 165; SignHeigh = 140;

Variabel global merupakan variabel yang dideklarasikan di luar

semua fungsi dan prosedur yang ada, sehingga ia dapat diakses (dibaca,

ditulisi atau diubah) oleh fungsi dan prosedur apapun yang ada dalam

program itu. Adapun variabel-variabel global yang dipakai dalam sistem

pengenalan ini adalah :

FileReference : file of THuruf; Person : THuruf; ArrModelPattern : TArrModelPattern; Berubah : Boolean; Cd : Real; Qi : Integer; FParticipantName, FReferName, FPatternName : String; FilePattern : File Of TModelPattern; Error, CountPattern, CounterList, PrevCounterList : byte; PosGambar : Array[1..9] of TPosGambar; awalX,awalY,akhirX,akhirY : Integer; DefDirectory : String; EnrollLoad : Boolean; PrMeanFreq, PrEigenValue: TMeanFrequency; PrVariance,PrEigenVector : TVariance; PrSort : TSort; JumPattern : Byte; //banyaknya keseluruhan pola DimVector : Byte; //banyaknya model ArrHuruf : Array[1..MaxHuruf] of THuruf; BanyakHuruf : Byte; Participant : TParticipant; FileParticipant : File Of TParticipant;

3.5.2.2 Form Utama

Window Form adalah tempat di mana semua komponen visual dan

komponen non visual diletakkan untuk membentuk sebuah aplikasi. Bagian yang

tak terpisahkan dari form adalah unit yang berhubungan langsung dengan form

tersebut. Unit berisi deklarasi tipe data, fungsi dan prosedur. Rancangan form

utama dari sistem pengenalan ini diberi nama FUtama.frm adalah seperti

terlihat pada Gambar 3.5 dengan unit bernama Sign1.pas. Dalam form utama

ini berisi menu dalam bentuk tombol-tombol (push button menu) yang diperlukan

oleh pengguna dalam menjalankan sistem pengenalan serta memanggil form-form

lainnya, juga sebagai tempat berlangsungnya sebagian besar proses.

Gambar 3.5 Tampilan Form Utama sistem pengenalan

Selanjutnya diuraikan mengenai keterangan masing-masing nomor dan

tombol-tombol pada tampilan Gambar 3.5 beserta beberapa baris penting dari

fungsi atau prosedur pendukungnya.

Grup 1

Grup 2

Grup 3

Grup 4 1a

2b

2a

1b

1e

1d

1c

3a

2d

2c

Grup 1

Grup 1 merupakan panel yang digunakan untuk melakukan proses

pengenalan sebuah aksara uji serta menampilkan hasilnya, juga menampilkan citra

aksara yang sedang aktif.

Nomor 1a adalah panel yang digunakan untuk menampilkan nama file citra

aksara aktif.

Nomor 1b adalah tempat menampilkan citra aksara aktif.

Nomor 1c adalah tempat menampilkan hasil pengenalan, yaitu “Huruf ke-K”

untuk aksara yang dikenali atau “Tidak Terdaftar” untuk huruf yang tidak

dikenali oleh sistem.

Nomor 1d adalah tempat untuk menampilkan nilai beda dari hasil

pengenalan.

Nomor 1e adalah tempat menampilkan waktu proses.

Tombol Proses digunakan untuk menjalankan proses pengenalan terhadap

aksara aktif. Adapun program yang dijalankan adalah :

procedure TFUtama.SBVerifyClick(Sender: TObject); var Beda : Real; S : String; WaktuMulai, WaktuSelesai : TDateTime; JamMulai, JamSelesai, Menit, Detik, MDetik : Word; MDetikMulai, MDetikSelesai, TotalWaktu : Double; i : byte; ArrayBeda : TArrBeda; Gambar : TGambar; Hurufke : Byte; begin //FVerificate.Show; FGauge.Height := 134; FGauge.Gauge1.Progress := 0; FGauge.Show; FGauge.Refresh; WaktuMulai := Time; Gambar := BacaHuruf;

for i := 1 to BanyakHuruf do Begin {Mencari Variance, EigenVektor, EigenValue dan MeanFrek} Person := ArrHuruf[i]; PrMeanFreq := CountMeanFrequency(Person); PrVariance := CountVariance(PrMeanFreq,Person); EigenSort(PrVariance,PrEigenVector,PrEigenValue,PrSort; ArrayBeda[i] := Recognice(Gambar) End; Hurufke := Terkecil(ArrayBeda); WaktuSelesai := Time; Fgauge.Close; FGauge.Height := 238; If ArrayBeda[Hurufke] <= Cd * ArrHuruf[Hurufke].Critical Then Begin ST_Status.Font.Color := clBlue; Str(ArrayBeda[Hurufke],S); ST_Dissimilarity.Caption := S; Str(Hurufke,S); ST_Status.Caption:='(' + S + ')' + ArrHuruf[Hurufke].Name; End Else Begin ST_Status.Font.Color := clRed; Str(ArrayBeda[Hurufke],S); ST_Dissimilarity.Caption := S; Str(Hurufke,S); ST_Status.Caption := '(' + S + ')' + ' Tidak Terdaftar' ; End; //Hitung waktu proses DecodeTime(WaktuMulai,JamMulai,Menit,Detik,MDetik); MDetikMulai :=((JamMulai*60+Menit)*60 + Detik)*1000 + MDetik; DecodeTime(WaktuSelesai,JamSelesai,Menit,Detik,MDetik); If JamSelesai >= JamMulai Then MDetikSelesai:=((JamSelesai*60+Menit)*60+Detik)*1000+MDetik Else //antisipasi melewati jam 12 MDetikSelesai:=(((JamSelesai+12)*60+Menit)*60+Detik)*1000

MDetik; TotalWaktu := MDetikSelesai - MDetikMulai; ST_Time.Caption := ' ' + FloatToStr(TotalWaktu) + ' Milli

Second'; end;

Grup 2

Grup 2 adalah panel untuk tempat memilih Aksara Bali yang akan

dikenali, baik nama file, filter, drive, maupun directory citra Aksara.

Nomor 2a adalah filter combo box, yang digunakan untuk menyaring file-

file yang ditampilkan yaitu file-file citra yang penamaannya disesuaikan

khusus untuk citra Aksara Bali pada penelitian ini, filter tersebut adalah :

All Bitmap File (*.bmp), adalah filter untuk semua nama file citra bitmap.

Nomor 2b adalah file list box yang digunakan untuk tempat menampilkan

nama-nama file citra yang telah disaring menurut filter yang telah dipilih,

dari nama-nama file ini dipilih Aksara Bali mana saja yang akan dikenali.

Nomor 2c adalah drive combo box yang digunakan untuk memilih drive.

Nomor 2d adalah directory list box yang digunakan sebagai tempat untuk

memilih direktori.

Tombol Select digunakan untuk memilih nama file yang akan dikenali.

Grup 3 List of Selected Files

Grup 3 adalah panel untuk tempat menampilkan daftar Aksara bali yang

telah dipilih dan akan dikenali, beserta tombol-tombol untuk mengurangi pilihan

dan melihat hasil pengenalan.

Nomor 3a adalah obyek list box, yang digunakan untuk menampung nama-

nama file citra Aksara Bali terpilih yang akan dikenali.

Tombol Verify List digunakan untuk menjalankan proses pengenalan

terhadap file-file citra Aksara Bali yang ada dalam daftar dan selanjutnya

menampilkan hasilnya dalam form FRptGroup.frm. Adapun program yang

dijalankan adalah sebagai berikut :

procedure TFUtama.SBVerifyListClick(Sender: TObject); var i,j,k, HurufKe : byte; S : String; Beda : Real; WaktuMulai, WaktuSelesai : TDateTime;

JamMulai, JamSelesai, Menit, Detik, MDetik : Word; MDetikMulai, MDetikSelesai, TotalWaktu : Double; Gambar : TGambar; ArrayBeda : TArrBeda; begin FGauge.Gauge1.Progress := 0; FGauge.Gauge2.Progress := 0; FGauge.Label4.Caption := IntToStr(CounterList); FGauge.Show; FGauge.Refresh; For i := 0 To PrevCounterList-1 Do For j := 0 To 3 Do FRptGroup.StringGrid1.Cells[j,i] := ''; WaktuMulai := Time; For i := 1 To CounterList Do Begin Image1.Picture.LoadFromFile(ListBox2.Items[i-1]); Gambar := BacaHuruf; for k := 1 to BanyakHuruf do Begin {Mencari Variance,EigenVektor,EigenValuedan MeanFrek} Person := ArrHuruf[k]; PrMeanFreq := CountMeanFrequency(Person); PrVariance := CountVariance(PrMeanFreq,Person); EigenSort(PrVariance,PrEigenVector,PrEigenValue,

PrSort); ArrayBeda[k] := Recognice(Gambar) End; Hurufke := Terkecil(ArrayBeda); FRptGroup.StringGrid1.Cells[0,i-1] := IntToStr(i); FRptGroup.StringGrid1.Cells[1,i-1] := ListBox1.Items[i-1]; Str(ArrayBeda[Hurufke],S); FRptGroup.StringGrid1.Cells[2,i-1] := S; Str(Hurufke,S); If ArrayBeda[Hurufke]<= Cd*ArrHuruf[Hurufke].Critical Then FRptGroup.StringGrid1.Cells[3,i-1] := '(' + S + ')' +

ArrHuruf[Hurufke].Name Else FRptGroup.StringGrid1.Cells[3,i-1] := '(' + S + ')' +

' Tidak Terdaftar'; FGauge.Gauge2.Progress := (i*100) div CounterList; End; WaktuSelesai := Time; Fgauge.Close; PrevCounterList := CounterList; //Hitung waktu proses DecodeTime(WaktuMulai,JamMulai,Menit,Detik,MDetik); MDetikMulai :=((JamMulai*60+Menit)*60 + Detik)*1000 + MDetik; DecodeTime(WaktuSelesai,JamSelesai,Menit,Detik,MDetik); If JamSelesai >= JamMulai Then MDetikSelesai := ((JamSelesai*60+Menit)*60+Detik)*1000

+MDetik Else //antisipasi melewati jam 12

MDetikSelesai :=(((JamSelesai+12)*60+Menit)*60+ Detik)*1000 + MDetik;

TotalWaktu := MDetikSelesai - MDetikMulai; FRptGroup.STVer.Caption := ' ' + IntToStr(CounterList); FRptGroup.STTime.Caption := ' ' + FloatToStr(TotalWaktu) + '

Milli Second'; SBResult.Enabled := True; FRptGroup.Position := poScreenCenter; FRptGroup.ShowModal; end;

Tombol New List digunakan untuk mengosongkan daftar nama file yang

ada pada obyek list box nomor 3a.

Tombol Unselect digunakan untuk membuang nama file citra Aksara Bali

yang ditunjuk pada obyek list box nomor 3a.

Tombol Result digunakan untuk melihat kembali daftar hasil pengenalan

yang telah dilakukan sebelumnya dengan memanggil form FRptGroup.frm.

Grup 4

Grup 4 merupakan panel tempat tombol-tombol perintah umum yang

digunakan dalam sistem pengenalan ini. Adapun tombol-tombolnya adalah :

Tombol About digunakan untuk memanggil form FSignAbout.frm yang

berisi informasi tentang sistem pengenalan.

Tombol Setting digunakan untuk memanggil form FSetEnv.frm yang berisi

tempat untuk mengubah nilai variabel lingkungan sistem.

Tombol Enrollment digunakan untuk memanggil form FEnrollGroup.frm

yang merupakan tempat pendaftaran aksara baru.

Tombol Browse digunakan untuk memanggil form FBrowse.frm yang

berisi nama-nama aksara yang telah terdaftar pada basisdata acuan.

Tombol New Model digunakan untuk memasukkan pola model baru ke file

referensi melalui pemanggilan form FModel.frm.

Tombol Show Model digunakan untuk menampilkan pola model referensi

yang telah ada melalui pemanggilan form FModel.frm.

Tombol Exit digunakan untuk keluar dari sistem pengenalan.

Selain fungsi dan prosedur yang telah dipaparkan di atas, juga ada

beberapa fungsi dan prosedur penting lainnya dalam unit Sign1.pas ini. Fungsi

dan prosedur tersebut diantaranya :

Rutin untuk menghitung nilai eigen serta vektor eigen

procedure ROTATE(s, tau : real; var ATemp : TVariance; i,j,k,l : integer);

var g, h : real; begin g := ATemp[i,j]; h := ATemp[k,l]; ATemp[i,j] := g-s*(h+g*tau); ATemp[k,l] := h+s*(g-h*tau); end;

procedure Jakobi(A :TVariance;var V : TVariance; var D:TMeanFrequency);

var B,Z : array[1..DimVector67] of real; ip,iq, i, j : integer; sm,tresh,theta,t,c,s,tau,g,h : double; begin for ip := 1 to DimVector do begin for iq := 1 to DimVector do V[ip,iq] := 0; V[ip,ip] := 1; B[ip] := A[ip,ip]; D[ip] := A[ip,ip]; Z[ip] := 0; end; for i := 1 to 50 do begin sm := 0; for ip := 1 to DimVector-1 do for iq := ip+1 to DimVector do sm := sm + abs(A[ip,iq]); if sm = 0 then exit; if i < 4 then tresh := 0.2*sm/(DimVector*DimVector) else tresh := 0; for ip := 1 to DimVector-1 do begin for iq := ip+1 to DimVector do begin g := 100 * abs(A[ip,iq]);

if ((i>4) and ((abs(d[ip])+g) = abs(d[ip])) and ((abs(d[iq])+g) = abs(d[iq]))) then A[ip,iq] := 0 else if abs(A[ip,iq]) > tresh then begin h := d[iq]-d[ip]; if ((abs(h)+g) = abs(h)) then t := A[ip,iq]/h else begin theta := 0.5*h/A[ip,iq]; t := 1/(abs(theta)+sqrt(1+theta*theta)); if theta < 0 then t := -t; end; c := 1/sqrt(1+t*t); s := t*c; tau := s/(1+c); h := t*A[ip,iq]; Z[ip] := Z[ip] - h; Z[iq] := Z[iq] + h; D[ip] := D[ip] - h; D[iq] := D[iq] + h; A[ip,iq] := 0; for j := 1 to ip-1 do ROTATE(s,tau,A,j,ip,j,iq); for j := ip+1 to iq-1 do ROTATE(s,tau,A,ip,j,j,iq); for j := iq+1 to DimVector do

ROTATE(s,tau,A,ip,j,iq,j); for j := 1 to DimVector do ROTATE(s,tau,V,j,ip,j,iq); end; end; end; for ip := 1 to DimVector do begin b[ip] := b[ip] + z[ip]; d[ip] := b[ip]; z[ip] := 0; end; end; ShowMessage('error : terlalu banyak iterasi'); end; procedure Eigensort(A : TVariance; var V : TVariance;

var D : TMeanFrequency; var Urut : TSort); var i,j,k,temp : integer; pe : real; TD : TMeanFrequency;

begin for i:= 1 to DimVector do begin D[i] := 0; Urut[i] := i; end; Jakobi(A,V,D); TD := D; for i := 1 to DimVector do begin pe := TD[i]; k := i; for j := i+1 to DimVector do if TD[j] >= pe then

begin pe := TD[j]; k := j; end; if k <> i then begin TD[k] := TD[i]; TD[i] := pe; temp := Urut[i]; Urut[i] := Urut[k]; Urut[k] := temp; end; end;

end; Prosedur untuk menghitung frekuensi kemunculan pola model

procedure CountFrequency(var Freq:TFrequency; Gambar : TGambar);

var i,j,x,y : integer; CountPattern : byte; cocok : boolean; awalX_L, awalY_L,akhirX_L, akhirY_L : byte;

begin awalX_L := 1; awalY_L := 1; akhirX_L := SignHeigh; akhirY_L := SignWidth; for i := 1 to DimVector do freq[i] := 0; for CountPattern := 1 to JumPattern do begin ModelPattern := ArrMOdelPattern[CountPattern]; for x := (awalX_L-4) to (akhirX_L - 4) do for y := (awalY_L-4) to (akhirY_L - 4) do begin i := 0; cocok := true; repeat inc(i); j := 0; repeat inc(j); if ((i+x-1)<awalX_L) or ((j+y-1)<awalY_L) then begin if ModelPattern.Pattern[i-1,j-1] <> 0 then cocok := false; end else if ModelPattern.Pattern[i-1,j-1] <>

gambar[i+x-1,j+y-1] then cocok := false; until (cocok = false) or (j = 5); until (cocok = false) or (i = 5); if (cocok = true) and (i=5) and (j=5) then inc(Freq[ModelPattern.Model]); end; FGauge.Gauge1.Progress := CountPattern; end; end;

Rutin untuk menghitung matriks varians

function CountMeanFrequency(sampel: TPersonSign) : TmeanFrequency;

var i : integer; bantu : word; Mi : byte; begin for i := 1 to DimVector do begin bantu := 0; for Mi := 1 to Number do bantu := bantu + sampel.freq[i,Mi]; CountMeanFrequency[i] := bantu / number; end; end; function CountFreqMinMean(Mean : TMeanFrequency;

Pr : TPersonSign) : TFreqMinMean; var i,j : integer; begin for i := 1 to Number do for j := 1 to DimVector do CountFreqMinMean[j,i] := Pr.Freq[j,i];//-Mean[j]; end; function CountVariance(Mean : TMeanFrequency;

Pr : TpersonSign): TVariance; var Bantu : TVariance; i,j,k : integer; temp : real; vector : TFreqMinMean; begin Vector := CountFreqMinMean(Mean,Pr); for i := 1 to DimVector do for j := 1 to DimVector do begin Temp := 0; for k := 1 to Number do Temp := Temp + Vector[i,k]*Vector[j,k]; Bantu[i,j] := Temp/Number; end; CountVariance := Bantu; end;

Rutin untuk menghitung nilai ketidaksamaan

function CountZ1(L : TVariance; k : integer; X : TFrequency; Urut : TSort) : real;

var bantu : real; i : integer; begin bantu := 0; for i := 1 to DimVector do

bantu := bantu + L[i,Urut[k]]*X[Urut[i]]; CountZ1 := bantu; end;

function CountZ2(L : TVariance; k : integer; X : TMeanFrequency; Urut : TSort) : real;

var bantu : real; i : integer; begin bantu := 0; for i := 1 to DimVector do

bantu := bantu + L[i,Urut[k]]*X[Urut[i]]; CountZ2 := bantu; end; function CountDissimilarity (L : TVariance; Lamda, XMean :

TMeanFrequency; X : TFrequency; Urut : TSort) : real; var dis1, dis2 : real; k : integer; begin dis1 := 0; for k := 1 to qi do begin if Lamda[Urut[k]] <> 0 then dis1 := dis1 + (SQR(CountZ1(L,k,X,Urut)-

countZ2(L,k,XMean,Urut))/Lamda[Urut[k]]) else begin if error <> 2 then Error := 1; exit; end; end; dis2 := 0; for k := qi+1 to DimVector do dis2 := dis2 + (SQR(CountZ1(L,k,X,Urut)-

countZ2(L,k,XMean,Urut))/Lamda[Urut[qi]]); CountDissimilarity := dis1 + dis2; end;

Rutin pengenalan

Function BacaHuruf : TGambar; var i,j : byte; Gambar : TGambar; Begin for i := 1 to SignHeigh do for j := 1 to SignWidth do Gambar[i,j] := 0; for i := 0 to SignHeigh-1 do for j := 0 to SignWidth-1 do Begin if FUtama.Image1.Canvas.Pixels[j,i] >= (clWhite -

(clWhite div 3)) Then Gambar[i+1,j+1] := 0 else Gambar[i+1,j+1] := 1; End; BacaHuruf := Gambar; End;

Function Recognice(Gambar : TGambar) : Real; Var FreqCounterSign : TFrequency; Begin CountFrequency(FreqCounterSign,Gambar); Recognice := CountDissimilarity(PrEigenVector, PrEigenValue,PrMeanFreq,FreqCounterSign,PrSort); End;

3.5.2.3 Form Pendaftaran

Form pendaftaran diberi nama FEnrollGroup.frm (terlihat pada

Gambar 3.6) dengan unit programnya bernama UEnrollGroup.pas. Form ini

digunakan sebagai form tempat pendaftaran aksara baru yang datanya akan

dimasukkan ke dalam file basisdata acuan. Dalam sekali pemanggilannya bisa

digunakan untuk mendaftarkan lebih dari satu aksara baru. Selain itu form ini juga

digunakan untuk menampilkan citra Aksara Bali acuan tersebut

Gambar 3.6 Tampilan Form Pendaftaran

1

7 6 5

4 3 2

Nomor 1 adalah tempat untuk menampilkan nomor identitas Aksara Bali

yang akan didaftarkan.

Nomor 2 adalah tempat memasukkan atau menampilkan nama Aksara Bali.

Nomor 3 adalah tempat untuk menampilkan waktu proses.

Nomor 4 adalah tempat menampilkan citra Aksara Bali acuan.

Nomor 5 adalah tempat menampilkan nilai beda antara aksara acuan dengan

aksara pembanding C1.





Tombol Close digunakan untuk keluar dari form pendaftaran.

Adapun program yang dijalankan adalah sebagai berikut :

procedure TFEnrollGroup.BBProcessClick(Sender: TObject); var Mi,Ms : byte; i,j, Code : integer; TempPerson : THuruf; Freq : TFrequency; EGMeanFreq, EGEigenValue: TMeanFrequency; TempFreq :Array[1..DimVector67,1..3] Of Real; EGVariance,EGEigenVector : TVariance; EGSort : TSort; Temp : Array[1..3] of Real; S : String; IDNumber : word; Dissimilarity, Selisih, selisih2, bantu : real; Gambar : TGambar; WaktuMulai, WaktuSelesai : TDateTime; JamMulai, JamSelesai, Menit, Detik, MDetik : Word; MDetikMulai, MDetikSelesai, TotalWaktu : Double; k : String; begin BBProcess.Enabled := False; error := 0; FGauge.Show; FGauge.Label4.Caption := '6'; FGauge.Refresh; FGauge.Gauge1.Progress := 0; FGauge.Gauge2.Progress := 0;

WaktuMulai := Time; Val(EdIDNumber.Text,IDNumber,Code); TempPerson.IDNumber := IDNumber; TempPerson.Name := EdName.Text; TempPerson.RefFileName := RefFileName; For Mi := 1 to Number do Begin Image1.Picture.LoadFromFile(ListBox2.Items[Mi-1]); AwalX := 1;//PosGambar[1].AwalX; AkhirX := 1;//PosGambar[1].AkhirX; AwalY := 1;//PosGambar[1].AwalY; AkhirY := 1;//PosGambar[1].AkhirY; for i := 1 to SignHeigh do for j := 1 to SignWidth do Gambar[i,j] := 0; for i := AwalX to AkhirX do for j := AwalY to AkhirY do Begin if Image1.Canvas.Pixels[j,i] >= (clWhite -

(clWhite div 3)) Then Gambar[i-AwalX+1,j-AwalY+1] := 0 else Gambar[i-AwalX+1,j-AwalY+1] := 1; End; CountFrequency(Freq, Gambar); for i := 1 to DimVector do TempPerson.freq[i,Mi] := Freq[i]; FGauge.Gauge2.Progress := 10*Mi; End; EGMeanFreq := CountMeanFrequency(TempPerson); EGVariance := CountVariance(EGMeanFreq, TempPerson); EigenSort(EGVariance,EGEigenVector, EGEigenValue, EGSort); FGauge.Gauge2.Progress := 70; For Ms := 1 to 3 do Begin Image1.Picture.LoadFromFile(LstBox2.Items[Number+Ms1]); for i := 1 to SignHeigh do for j := 1 to SignWidth do Gambar[i,j] := 0; for i := AwalX to AkhirX do for j := AwalY to AkhirY do Begin if Image1.Canvas.Pixels[j,i] >= (clWhite -

(clWhite div 3)) Then Gambar[i-AwalX+1,j-AwalY+1] := 0 else Gambar[i-AwalX+1,j-AwalY+1] := 1; End; CountFrequency(Freq, Gambar);

Dissimilarity:=CountDissimilarity(EGEigenVector,EGEigenValue, EGMeanFreq,Freq,EGSort);

If error = 1 Then Begin EdDissC1.Text := '';

EdDissC2.Text := ''; EdDissC3.Text := ''; ShowMessage('Divided by zero, next or be smaller

Qi !') End else Begin TempPerson.ADis[Ms] := Dissimilarity; Temp[Ms] := Dissimilarity; Str(Temp[Ms], S); Case Ms of 1 : EdDissC1.Text := S; 2 : EdDissC2.Text := S; 3 : EdDissC3.Text := S; End; End; FGauge.Gauge2.Progress := 10*(Ms+7); End; If Error <> 1 Then Begin for i := 1 to 2 do for j := i+1 to 3 do if Temp[i] < Temp[j] Then Begin bantu := Temp[i]; Temp[i] := Temp[j]; Temp[j] := bantu; End; TempPerson.Critical := Temp[2]; Write(FileReference,TempPerson); Inc(BanyakHuruf); ArrHuruf[BanyakHuruf] := TempPerson; FUtama.SBVerify.Enabled := True; FUtama.SBBrowsePerson.Enabled := True; End; WaktuSelesai := Time; FGauge.Close; //Hitung waktu proses DecodeTime(WaktuMulai,JamMulai,Menit,Detik,MDetik); MDetikMulai := ((JamMulai*60+Menit)*60+ Detik)*1000 + MDetik; DecodeTime(WaktuSelesai,JamSelesai,Menit,Detik,MDetik); If JamSelesai >= JamMulai Then MDetikSelesai :=((JamSelesai*60 + Menit)*60 + Detik)*1000 +

MDetik Else //antisipasi melewati jam 12 MDetikSelesai := (((JamSelesai+12)*60 + Menit)*60 + Detik)

*1000 + MDetik; TotalWaktu := MDetikSelesai - MDetikMulai; STTime.Caption := ' ' + FloatToStr(TotalWaktu) + ' Milli

Second'; EdIDNumber.SetFocus; //FCoba1.Show; end;

3.5.2.4 Form-Form Pendukung

Form-form pendukung sistem adalah form-form tambahan yang digunakan

oleh sistem pengenalan untuk menampilkan informasi atau mengerjakan bagian-

bagian yang tidak bisa dikerjakan pada form utama karena keterbatasan tempat.

Adapun form-form tersebut adalah sebagai berikut :

Gambar 3.7 Tampilan Form Daftar Aksara Bali

Form Daftar Aksara Bali

Form daftar Aksara Bali dinamakan FBrowse.frm seperti yang terlihat

pada Gambar 3.7 dengan unit UBrowse.pas digunakan sebagai tempat untuk

menampilkan data aksara yang telah terdaftar pada file basisdata acuan. Data

tersebut diantaranya nomor identitas aksara, nama aksara, nilai ambang dan nilai

ketidaksamaan aksara acuan dengan aksara pembanding C1, C2 dan C3.

Form Lingkungan Sistem

Form lingkungan sistem dinamakan FSetEnv.frm seperti yang terlihat

pada Gambar 3.8 dengan unit USetEnv.pas digunakan sebagai tempat untuk

mengubah variabel-variabel lingkungan sistem, seperti memilih pola model yang

digunakan (memakai obyek radio button), nomor pemotongan nilai eigen (Q) dan

koefisien pengali nilai kritis (Cd). Setelah dilakukan perubahan nilai salah satu

variabel, maka sistem akan secara otomatis mengaktifkan file-file yang sesuai

dengan variabel itu, baik file basisdata acuan maupun file pola model.

b Gambar 3.8

Tampilan Form Lingkungan Sistem

Form Pola Model

Form pola model dinamakan FModel.frm seperti yang terlihat pada

Gambar 3.9 dengan unit UModel.pas digunakan sebagai tempat untuk

menampilkan pola model yang sedang aktif dan memasukkan pola model baru

yang akan digunakan dalam sistem pengenalan. Form pola model akan

menampilkan sebuah pola dalam tabel berukuran 5 x 5 kotak beserta nomor urut

dan nomor modelnya. Form ini juga menyediakan fasilitas untuk menyimpan

pola model (melalui tombol Save), untuk melihat pola nomor urut sebelumnya

(menggunakan tombol Back), serta pola nomor urut sesudahnya (menggunakan

tombol Next).

Form Indikator Proses

Form indikator proses dinamakan FGauge.frm seperti yang terlihat pada

Gambar 3.10 dengan unit UTtdGauge.pas digunakan sebagai tempat indikator

proses pengenalan sedang berlangsung, baik pengenalan untuk sebuah Aksara bali

maupun pengenalan Aksara Bali secara berkelompok. Indikator ini memanfaatkan

fasilitas obyek gauge.

Form Informasi Sistem

Form informasi sistem dinamakan FSignAbout.frm seperti yang terlihat

pada Gambar 3.11 dengan unit USignAbout.pas digunakan sebagai tempat

untuk menampilkan informasi tentang sistem pengenalan. Informasi ini berupa

judul sistem, gambar, nama pengembang sistem, serta nama instansi program

pascasarjana

Gambar 3.9 Tampilan Form Pola Model

Gambar 3.10 Tampilan Form Indikator Proses

Gambar 3.11 Tampilan Form Informasi Sistem

Suka-duka, tangisan-senyuman,

sukses-gagal, hanyalah aliran kehidupan yang datang dengan pesannya masing-masing.

(Gede Prama)

BAB IV HASIL DAN

PEMBAHASAN

BAB IV

HASIL DAN PEMBAHASAN

4.1 Pengujian

Pembuatan sistem pengenalan Aksara Bali dalam penelitian ini memakai

pola-pola model dari Metode Pola Busur Terlokalisasi untuk mengekstraksi ciri

Aksara Bali masukan. Di samping menggunakan 52 buah pola (dikelompokkan

menjadi 42 pola model) seperti yang terlihat pada Gambar 2.4, juga akan dipakai

pola model baru yang pembuatannya tetap mengacu kepada batasan yang ada

dalam Metode Pola Busur Terlokalisasi ini, yaitu lokalisasi permasalahan pada

pola model yang didefinisikan di dalam sebuah bujur sangkar kecil berukuran

5 x 5, tetapi pemilihannya berbasis pada sampel Aksara Bali yang dimasukkan.

4.1.1 Pembentukan Pola Model

Pola-pola yang dibentuk oleh titik karakteristik dalam bujur sangkar 5 x 5

menghasilkan 125 buah kemungkinan pola awal dan bisa dikelompokkan menjadi

103 pola model awal seperti terlihat pada Gambar 4.1(a) dan 4.1(b) berikut ini.

Gambar 4.1 (a) Kemungkinan pola-pola dari Pola Busur Terlokalisasi untuk

Pola Bujursangkar 5X5 (nomor urut 1 sampai 63)

No.1 Model 1

No.2 Model 2

No.3 Model 3

No.4 Model 4

No.5 Model 5

No.6 Model 6

No.7 Model 7

No.8 Model 8

No.9 Model 9

No.10 Model 10

No.11 Model 11

No.12 Model 12

No.13 Model 13

No.14 Model 14

No.15 Model 15

No.16 Model 16

No.17 Model 17

No.18 Model 18

No.19 Model 19

No.20 Model 20

No.21 Model 21

No.22 Model 22

No.23 Model 23

No.24 Model 24

No.25 Model 25

No.26 Model 26

No.27 Model 27

No.28 Model 28

No.29 Model 29

No.30 Model 30

No.31 Model 31

No.32 Model 32

No.33 Model 33

No.34 Model 34

No.35 Model 35

No.36 Model 36

No.37 Model 37

No.38 Model 38

No.39 Model 39

No.40 Model 40

No.41 Model 41

No.42 Model 42

No.43 Model 43

No.44 Model 44

No.45 Model 45

No.46 Model 46

No.47 Model 47

No.48 Model 48

No.49 Model 49

No.50 Model 50

No.51 Model 51

No.52 Model 52

No.53 Model 53

No.54 Model 54

No.55 Model 55

No.56 Model 56

No.57 Model 57

No.58 Model 58

No.59 Model 59

No.60 Model 59

No.61 Model 59

No.62 Model 60

No.63 Model 61

Gambar 4.1(b) Kemungkinan pola-pola dari Pola Busur Terlokalisasi untuk

Pola Bujursangkar 5X5 (nomor urut 64 sampai 125)

No.64 Model 61

No.65 Model 61

No.66 Model 62

No.67 Model 63

No.68 Model 64

No.69 Model 64

No.70 Model 64

No.71 Model 65

No.72 Model 66

No.73 Model 66

No.74 Model 66

No.75 Model 67

No.76 Model 68

No.77 Model 69

No.78 Model 69

No.79 Model 70

No.80 Model 71

No.81 Model 71

No.82 Model 72

No.83 Model 73

No.84 Model 74

No.85 Model 74

No.86 Model 75

No.87 Model 76

No.88 Model 76

No.89 Model 77

No.90 Model 78

No.91 Model 78

No.92 Model 79

No.93 Model 80

No.94 Model 81

No.95 Model 81

No.96 Model 82

No.97 Model 83

No.98 Model 84

No.99 Model 85

No.100 Model 86

No.101 Model 87

No.102 Model 88

No.103 Model 89

No.104 Model 90

No.105 Model 91

No.106 Model 92

No.107 Model 92

No.108 Model 92

No.109 Model 93

No.110 Model 94

No.111 Model 94

No.112 Model 94

No.113 Model 95

No.114 Model 96

No.115 Model 97

No.116 Model 98

No.117 Model 98

No.118 Model 98

No.119 Model 99

No.120 Model 100

No.121 Model 101

No.122 Model 101

No.123 Model 101

No.124 Model 102

No.125 Model 103

4.1.2 Pemilihan Pola Model

Pengurangan waktu proses dilakukan dengan pemilihan pola dari 125 pola

di atas yang memang sering muncul pada Aksara Bali. Pemilihan pola-pola itu

dilakukan dengan menggunakan bantuan program untuk menghitung keseringan

muncul masing-masing pola tersebut pada sejumlah citra biner Aksara Bali.

Sampel data yang dipergunakan untuk membentuk pola model dalam penelitian

sebanyak 600 buah citra Aksara Bali yang diambil dari beberapa buku cetak dan

internet. Adapun tipe data dan potongan program (berupa fungsi dan prosedur)

yang dipergunakan adalah sebagai berikut:

SignWidth = 165; SignHeigh = 140; MaxModel = 1500; PatternName125 = 'WModel125.dat'; type TPattern = array[0..4,0..4] of byte; TAGambar = array[1..SignHeigh,1..SignWidth] of byte; TWModelPattern = record

Nomor : byte; Model : byte; Pattern : TPattern; Freq : word; end;

TWArrModelPattern = array [1..125] of TWModelPattern; var WArrModelPattern : TWArrModelPattern; TotalSampelSign : word; function BacaGambar : TAGambar; var i,j : byte; Gambar : TAGambar; begin for i := 1 to SignHeigh do for j := 1 to SignWidth do Gambar[i,j] := 0; for i := 0 to SignHeigh-1 do for j := 0 to SignWidth-1 do begin if FModelDesign.Image1.Canvas.Pixels[j,i] >=

(clWhite - (clWhite div 3)) Then Gambar[i+1,j+1] := 0 else Gambar[i+1,j+1] := 1; end;

BacaGambar := Gambar; end; procedure TFModelDesign.SBCount125Click(Sender: TObject); var NSign : word; Gambar : TAGambar; i,j,x,y : integer; cocok : boolean; NM : byte awalX_L, awalY_L,akhirX_L, akhirY_L : byte;

begin awalX_L := 1; akhirX_L := SignHeigh; awalY_L := 1; akhirY_L := SignWidth; for NM := 1 to 125 do WArrModelPattern[NM].Freq := 0; for NSign := 1 to TotalSampelSign do begin

Image1.Picture.LoadFromFile(ListBox2.Items[NSign-1]); Gambar := BacaGambar; for NM := 1 to 125 do begin for x := (awalX_L-4) to (akhirX_L - 4) do for y := (awalY_L-4) to (akhirY_L - 4) do begin i := 0; cocok := true; repeat inc(i); j := 0; repeat inc(j); if ((i+x-1)<awalX_L) or ((j+y-1)<awalY_L) then begin if WArrModelPattern[NM].Pattern[i-1,j-1] <> 0 then cocok := false; end else if WArrModelPattern[NM].Pattern[i-1,j-1] <>

Gambar[i+x-1,j+y-1] then cocok := false; until (cocok = false) or (j = 5); until (cocok = false) or (i = 5); if (cocok = true) and (i=5) and (j=5) then inc(WArrModelPattern[NM].Freq); end; end;

end; end;

Setelah dieksekusi dengan mempergunakan 600 buah sampel citra Aksara

Bali, hasil dari potongan program di atas adalah berupa cacah keseringan muncul

masing-masing pola model yang tersimpan pada variabel freq dalam variabel

WArrModelPattern. Tabel cacah keseringan muncul dari 125 pola tersebut

seperti terlihat pada Tabel 4.1.

Tabel 4.1 Frekuensi kemunculan masing-masing pola pada 600 citra biner Aksara Bali

No Model Freq No Model Freq No Model Freq No Model Freq No Model Freq

1 1 36365 26 26 19 51 51 0 76 68 0 101 87 0

2 2 489 27 27 0 52 52 0 77 69 0 102 88 8

3 3 223 28 28 9 53 53 0 78 69 0 103 89 0

4 4 743 29 29 0 54 54 2 79 70 0 104 90 15

5 5 226 30 30 0 55 55 6 80 71 0 105 91 0

6 6 244 31 31 15 56 56 0 81 71 0 106 92 1

7 7 5 32 32 0 57 57 0 82 72 0 107 92 0

8 8 171 33 33 6 58 58 58154 83 73 0 108 92 0

9 9 4 34 34 1 59 59 0 84 74 0 109 93 3

10 10 23 35 35 0 60 59 0 85 74 0 110 94 0

11 11 8 36 36 1 61 59 0 86 75 0 111 94 0

12 12 49 37 37 0 62 60 0 87 76 0 112 94 0

13 13 14 38 38 0 63 61 0 88 76 0 113 95 0

14 14 68 39 39 0 64 61 0 89 77 0 114 96 0

15 15 0 40 40 0 65 61 2 90 78 5 115 97 1

16 16 0 41 41 0 66 62 0 91 78 0 116 98 0

17 17 0 42 42 0 67 63 17262 92 79 6 117 98 1

18 18 0 43 43 0 68 64 2 93 80 2 118 98 0

19 19 30 44 44 0 69 64 0 94 81 0 119 99 0

20 20 0 45 45 0 70 64 0 95 81 0 120 100 0

21 21 0 46 46 11319 71 65 0 96 82 126 121 101 0

22 22 0 47 47 10 72 66 0 97 83 539 122 101 0

23 23 0 48 48 0 73 66 0 98 84 0 123 101 3

24 24 0 49 49 8896 74 66 0 99 85 7 124 102 3

25 25 0 50 50 2 75 67 0 100 86 32 125 103 0

Hasil dari model pola yang didapat, kemudian diurutkan berdasarkan frekuensi

kemunculan terbanyak, hasilnya dapat dilihat pada Tabel 4.2.

Tabel 4.2 Frekuensi kemunculan masing-masing pola

pada 600 citra Aksara Bali yang sudah diurut

No Model Freq No Model Freq No Model Freq No Model Freq No Model Freq

1 58 58154 26 11 8 51 103 0 76 92 0 101 87 0

2 1 36365 27 85 7 52 98 0 77 94 0 102 69 0

3 63 17262 28 79 6 53 68 0 78 59 0 103 69 0

4 46 11319 29 33 6 54 92 0 79 103 0 104 70 0

5 49 8896 30 55 6 55 78 0 80 17 0 105 71 0

6 4 743 31 78 5 56 64 0 81 38 0 106 71 0

7 83 539 32 7 5 57 84 0 82 44 0 107 72 0

8 2 489 33 9 4 58 81 0 83 66 0 108 56 0

9 6 244 34 102 3 59 101 0 84 62 0 109 74 0

10 5 226 35 93 3 60 66 0 85 53 0 110 75 0

11 3 223 36 101 3 61 101 0 86 57 0 111 76 0

12 8 171 37 64 2 62 73 0 87 66 0 112 76 0

13 82 126 38 50 2 63 94 0 88 41 0 113 95 0

14 14 68 39 61 2 64 81 0 89 35 0 114 77 0

15 12 49 40 54 2 65 24 0 90 100 0 115 59 0

16 86 32 41 80 2 66 52 0 91 27 0 116 37 0

17 19 30 42 34 1 67 95 0 92 30 0 117 45 0

18 10 23 43 92 1 68 51 0 93 29 0 118 64 0

19 26 19 44 98 1 69 22 0 94 25 0 119 60 0

20 90 15 45 97 1 70 59 0 95 16 0 120 65 0

21 31 15 46 36 1 71 15 0 96 48 0 121 61 0

22 13 14 47 94 0 72 40 0 97 21 0 122 23 0

23 47 10 48 48 0 73 99 0 98 42 0 123 66 0

24 28 9 49 98 0 74 32 0 99 91 0 124 61 0

25 88 8 50 43 0 75 94 0 100 18 0 125 75 0

Cacah keseringan muncul dari masing-masing pola seperti yang terlihat

pada Tabel 4.2 dipergunakan sebagai bahan pertimbangan untuk memilih

pola model sistem yaitu dengan menentukan batas cacah terkecil keseringan

muncul, tetapi sebelumnya dilakukan penjumlahan frekuensi kemunculan pola-

pola dengan model yang sama. Batas terkecil yang dipakai adalah 10 kali.

Hasilnya adalah 23 pola model terpilih seperti terllihat pada Tabel 4.3.

Tabel 4.3 Frekuensi kemunculan masing-masing pola pada 600 citra Aksara Bali yang

sudah diurut dengan batasan terkecil 10 kali

No Model Freq No Model Freq

1 58 58154 13 82 126

2 1 36365 14 14 68

3 63 17262 15 12 49

4 46 11319 16 86 32

5 49 8896 17 19 30

6 4 743 18 10 23

7 83 539 19 26 19

8 2 489 20 90 15

9 6 244 21 31 15

10 5 226 22 13 14

11 3 223 23 47 10

12 8 171

Hasil dari ke 23 pola model tersebut akan diurutkan sesuai dengan nomor

modelnya, sehingga diperoleh hasil seperti yang terlihat pada Tabel 4.4.

Tabel 4.4 Frekuensi kemunculan masing-masing pola pada 600 citra Aksara Bali yang

sudah diurut berdasarkan nomor model dengan batasan terkecil 10


1 1 36365 13 26 19

2 2 489 14 31 15

3 3 223 15 46 11319

4 4 743 16 47 10

5 5 226 17 49 8896

6 6 244 18 58 58154

7 8 171 19 63 17262


8 10 23 20 82 126

9 12 49 21 83 539

10 13 14 22 86 32

11 14 68 23 90 15

12 19 30

Hasil dari model pola yang didapat dari tabel diatas dapat digambarkan

pada Gambar 4.2 dan setelah penomorannya disesuaikan maka diperoleh

pola model seperti terlihat pada Gambar 4.3. Pola-pola inilah yang dipergunakan

sistem untuk mengekstraksi ciri citra aksara.

Gambar 4.2

Pola-pola terpilih sebanyak 23 pola

Gambar 4.3 Pola-pola terpilih sebanyak 23 pola yang penomorannya telah disesuaikan

4.1.3 Penentuan Konstanta

Efektifitas dan unjuk kerja metode pengenalan Aksara Bali yang

digunakan dipengaruhi oleh nilai-nilai konstanta yang ditetapkan.

Konstanta ini sebelum dipergunakan oleh sistem secara permanen, harus

dilakukan pengujian terlebih dahulu dengan beberapa variasi yang

disesuaikan dengan anjuran dari pustaka. Konstanta yang mempengaruhi

sistem pengenalan Aksara Bali dengan menggunakan metode Pola Busur

Terlokalisasi ada dua yakni :

i. Konstanta nomor pemotongan nilai eigen (q)

Perhitungan nilai ketidaksamaan pada persamaan 3.7 terdapat sebuah

konstanta yang nilainya ditentukan menurut hasil pengujian. Konstanta

ini adalah konstanta nomor pemotongan nilai eigen (q), yang mana

q adalah bilangan integer positif yang kurang dari dimensi vektor

kolom (p). Saat pembuatan basis data acuan, nilai q yang dicoba adalah

mulai dari 1 sampai nantinya dihentikan pada nilai q yang memberikan

pesan kesalahan bahwa telah terjadi proses pembagian dengan bilangan

nol. Hal ini mengingat nilai eigen yang dihasilkan dengan urutan

menurun pada nomor urut besar cenderung menghasilkan bilangan yang

sangat kecil atau bahkan nol. Hal ini tentunya akan menyebabkan

kesalahan sistem akan besar. Dari hasil pengujian terhadap variasi nilai

q akan dipilih satu nilai yang mengakibatkan sistem mengalami

kesalahan terkecil, dan seterusnya dipergunakan sebagai konstanta

nomor pemotongan nilai eigen yang permanen dalam setiap melakukan

pengenalan.

ii. Konstanta pengali nilai ambang (Cd)

Konstanta Cd merupakan koefisien pengali dari median nilai

ketidaksamaan yang didapat pada saat pengenalan tiga Aksara Bali

pembanding dengan Aksara Bali acuan yang didaftar (C), untuk

menghasilkan nilai ambang atau nilai kritis (Cc). Pengujian terhadap Cd

dilakukan pada nilai 2,0; 3,0; 4,0 dan 5,0 . Nilai ini dipakai agar nilai

ambang yang dihasilkan tidak terlalu jauh menyimpang dari nilai C

yang didapatkan. Jika Cd kurang dari 2,0 maka batas penerimaan akan

sangat sempit sehingga prosentase kesalahan tidak dikenalinya karakter

Aksara Bali tersebut akan besar. Sebaliknya jika Cd lebih besar dari 5,0

maka batas penerimaan akan terlalu lebar sehingga menyebabkan

kesalahan mengenali karakter Aksara Bali. Dari hasil pengujian sistem,

nilai Cd yang memberikan prosentase kesalahan terkecil akan

ditetapkan seterusnya sebagai konstanta pengali nilai ambang sistem

pengenalan ini.

4.1.4 Tahap Pengujian

Tahap-tahap pengujian sistem dilakukan sebagai berikut :

i. Pengumpulan karakter Aksara Bali acuan

Karakter Aksara Bali acuan diambil dari sample data penelitian I

Komang Gede Suamba Dharmayasa dan data yang diperoleh dari

internet dengan cara melakukan pemotongan per blok karakter.

ii. Pengumpulan karakter Aksara Bali uji

Banyak dan variasi Aksara Bali yang diuji bervariasi sesuai dengan

data yang dimiliki.

iii. Ujicoba antarmuka sistem

Sebelum dilakukan pengujian ke tahapan berikutnya, terlebih dahulu

dilakukan dulu uji coba terhadap keseluruhan antarmuka sistem yang

telah dibuat. Tujuannya adalah untuk mengetahui kesiapan komponen-

komponen antarmuka sistem tersebut untuk mendukung pengujian

sistem pengenalan selanjutnya.

iv. Pendaftaran Aksara Bali acuan

Aksara Bali yang telah dikumpulkan sebagai Aksara acuan

selanjutnya didaftarkan melalui proses pendaftaran, yang pada intinya

data Aksara Bali ini dimasukkan ke dalam file basis data acuan,

dimana setiap karakter bisa didaftarkan lebih dari sekali sesuai dengan

variasi model citra karakter yang didapatkan. Setiap nilai konstanta

pemotongan nilai eigen (q) terhubung dengan sebuah file basis data

acuan, baik yang menggunakan pola model Aksara Bali maupun pola

model tandatangan Indonesia.

v. Pengenalan Aksara Bali uji

Setelah keseluruhan file basis data acuan selesai dibuat baru

dilakukan pengenalan terhadap karakter Aksara Bali uji yang telah

terkumpul.

4.1.5 Hasil Pengujian

Adapun hasil pengujian yang dilakukan terhadap sistem pengenalan

karakter Aksara Bali dalam penelitian ini, sesuai dengan tahap-tahap yang telah

dipaparkan di atas adalah sebagai berikut :

4.1.5.1 Ujicoba Antarmuka Sistem

Gambar-gambar berikut ini adalah beberapa contoh tampilan antarmuka

sistem pengenalan karakter Aksara Bali, yang mana kegunaan serta rancangannya

sesuai dengan apa yang telah dipaparkan sebelumnya pada bab Perancangan dan

Pembuatan Sistem Pengenalan sub bab Pemrograman.

Gambar 4.4 Tampilan awal sistem pengenalan

Gambar 4.5 Tampilan Setting Lingkungan untuk proses pendaftaran

Gambar 4.6 Contoh tampilan saat Aksara A diuji

Gambar 4.7 Contoh laporan hasil pengenalan

4.1.5.2 Pendaftaran karakter Aksara Bali Acuan

Pada tahap pendaftaran yang bertujuan untuk mendaftarkan masing-

masing karakter Aksara pada file basis data acuan, dari dua jenis pola model yang

digunakan yaitu pola model Aksara Bali dan pola model tandatangan Indonesia,

masing-masing memiliki file basis data acuan sendiri-sendiri untuk setiap

konstanta pemotongan nilai eigen (q) yang dicobakan. Hasil pengujian berupa

waktu proses dan nilai ambang terpilih Aksara Bali uji diperlihatkan dalam tabel-

tabel berikut.

Tabel 4.5 Nilai ambang terpilih dengan menggunakan 23 pola model Aksara Bali

No Id Aksara Threshold (q=1)

Threshold (q=2)

Threshold (q=3)

Threshold (q=4)

1 1 A 7,8356 x 10-3 2,6111 x 101 4,1528 x 102 4,1844 x 1014

2 2 A 3,5359 x 10-2 2,8208 x 101 4,1162 x 103 3,0881 x 1015

3 3 A 5,3718 x 10-2 2,9877 x 101 1,7439 x 1017 6,3372 x 1017

4 4 Adeg-adeg 3,4843 x 10-3 4,1283 3,4868 x 101 1,4751 x 1015

5 5 Adeg-adeg 3,5312 x 10-3 1,0355 x 101 2,9691 x 102 3,8614 x 1015

6 6 Adeg-adeg 1,8635 x 10-2 8,3574 x 101 4,8726 x 1015 8,6688 x 1016

7 7 Ba 6,1542 x 10-3 4,8289 x 101 3,2722 x 102 6,8846 x 1016

8 8 Ba 1,7686 x 10-2 5,4475 x 101 5,5792 x 102 1,3167 x 1017

9 9 Ba 3,8216 x 10-2 1,6810 x 1016 1,5766 x 1017 4,5468 x 1019

10 10 Ca 4,6162 x 10-3 6,6159 1,9444 x 102 9,8612 x 1015

11 11 Ca 2,2540 x 10-3 4,7262 x 1014 8,7554 x 1016 Error

12 12 Carik 4,9926 x 10-4 6,1385 6,1913 x 101 5,8130 x 1015

13 13 Carik 1,8823 x 10-4 4,8888 x 10-1 2,7572 x 101 1,6687 x 1014

14 14 Cecek 8,6293 x 10-4 1,7145 1,6507 x 102 5,1732 x 1014

15 15 Cecek 8,2661 x 10-3 1,4342 x 101 3,0979 x 102 5,7669 x 1015

16 16 Cecek 2,1929 x 10-2 2,1806 x 1016 4,1926 x 1019 Error

17 17 Da 1,8310 x 10-3 3,3838 1,9988 x 101 8,8574 x 1014

18 18 Da 2,6951 x 10-2 6,5725 x 101 7,0882 x 102 1,6984 x 1016


Threshold (q=2)

Threshold (q=3)

Threshold (q=4)

19 19 Da 5,9961 x 10-2 7,4486 x 1014 2,9995 x 1017 1,9849 x 1019

20 20 Ga 4,7171 x 10-3 3,3614 2,7621 x 102 2,0612 x 1016

21 21 Ga 8,2606 x 10-2 1,8526 x 1016 1,2328 x 1018 1,1157 x 1020

22 22 Gantungan E 3,7141 x 10-3 6,5534 1,6580 x 102 3,6772 x 1015

23 23 Gantungan E 3,7141 x 10-3 6,5534 1,6580 x 102 3,6772 x 1015

24 24 Gantungan E 2,8754 x 10-4 3,4465 x 1014 1,6950 x 1016 Error

25 25 Gantungan E 2,0424 x 10-4 2,4722 x 1012 6,2731 x 1014 2,5646 x 1017

26 26 Ha 9,5921 x 10-4 3,1541 8,1163 3,7987 x 1014

27 27 Ja 5,5808 x 10-3 5,0124 x 101 2,2521 x 102 4,6131 x 1014

28 28 Ja 2,7912 x 10-2 8,8293 x 1015 1,9779 x 1018 Error

29 29 Ja 7,0583 x 10-4 3,4664 x 1014 4,2591 x 1015 Error

30 30 Ka 5,1982 x 10-3 7,7039 3,4347 x 101 3,8597 x 1015

31 31 Ka 1,9940 x 10-2 3,9804 4,2883 x 102 4,7399 x 1015

32 32 Ka 9,6744 x 10-2 5,3690 x 1017 1,5202 x 1019 1,9046 x 1020

33 33 Ka 6,4724 x 10-3 8,6226 x 1016 3,6667 x 1018 Error

34 34 La 2,9913 x 10-3 4,1971 1,9796 x 102 1,3907 x 1016

35 35 La 3,0361 x 10-3 5,3548 x 1015 3,1782 x 1016 2,5179 x 1017

36 36 Li 1,3203 x 10-2 6,6306 x 101 6,1675 x 102 2,5259 x 1015

37 37 Li 1,6428 x 10-1 2,5296 x 1016 9,1886 x 1018 2,8250 x 1019

38 38 Ma 8,0646 x 10-3 3,1638 2,1486 x 102 1,2625 x 1016

39 39 Ma 1,9831 x 10-2 1,0118 x 1016 4,0426 x 1018 Error

40 40 Na 0 0 0 Error

41 41 Na 3,1400 x 10-3 5,8828 x 1015 5,3150 x 1017 Error

42 42 Nga 4,8930 x 10-4 1,2132 x 101 6,7628 1,5864 x 1015

43 43 Nga 6,7087 x 10-4 1,3643 x 1014 2,4135 x 1016 2,3653 x 1017

44 44 Ngi 1,1514 x 10-2 6,3709 3,0620 x 102 1,2498 x 1016

45 45 Ngi 7,0567 x 10-3 1,0909 x 101 3,2172 x 101 1,4764 x 1015

46 46 Nya 5,6901 x 10-3 3,0989 x 101 7,4286 x 101 5,1635 x 1019

47 47 Nya 1,2049 x 10-2 2,6756 x 1015 3,9365 x 1016 5,1525 x 1019

48 48 Pa 2,8619 x 10-3 1,0972 x 101 1,7268 x 102 1,3028 x 1016

49 49 Pa 1,3719 x 10-3 1,1490 x 1016 1,7841 x 1018 Error

50 50 Pa 3,2950 x 10-3 1,9820 x 1015 5,2415 x 1017 Error


Threshold (q=2)

Threshold (q=3)

Threshold (q=4)

51 51 Ra 9,3137 x 10-3 1,3700 x 101 4,0432 x 102 2,9042 x 1015

52 52 Ra 4,3535 x 10-2 4,6613 x 1015 1,0888 x 1018 3,2739 x 1018

53 53 Ra 2,4031 x 10-2 1,7941 x 101 5,9910 x 1020 Error

54 54 Ri 3,7696 x 10-3 2,1059 6,9325 x 101 3,6780 x 1015

55 55 Sa 6,3259 x 10-4 8,4236 x 101 5,1131 6,4470 x 1014

56 56 Sa 1,5114 x 10-3 2,2430 x 1016 3,4128 x 1018 Error

57 57 Su 1,0525 x 10-4 1,2369 x 101 3,2591 x 102 4,1940 x 1015

58 58 Su 3,6213 x 10-1 8,1935 x 1016 1,1557 x 1018 3,0126 x 1020

59 59 Ta 6,3948 x 10-4 5,5588 8,2758 5,7954 x 1014

60 60 Ta 5,9957 x 10-2 2,0063 x 1016 4,5311 x 1018 1,6572 x 1019

61 61 Ta 1,9852 x 10-4 1,2244 x 1014 1,5291 x 1016 2,7858 x 1016

62 62 Tang 9,9590 x 10-3 3,3741 x 101 1,7751 x 102 2,6635 x 1015

63 63 Tur 9,6710 x 10-3 9,9533 2,6410 x 102 2,3916 x 1014

64 64 Tya 4,9552 x 10-3 9,0300 3,2519 x 101 4,0577 x 1015

65 65 Wa 1,0622 x 10-3 2,9249 3,3657 x 101 6,1986 x 1013

66 66 Wa 2,6553 x 10-4 8,7230 x 1013 8,7916 x 1015 Error

67 67 Wa 5,4214 x 10-3 4,0310 1,8087 x 1015 1,9716 x 1018

68 68 Ya 8,3370 x 10-4 1,0470 8,3040 x 101 6,6480 x 1013

69 69 Ya 2,2893 x 10-3 2,2455 x 1014 2,0377 x 1016 5,3135 x 1023

70 70 Ya 4,1719 x 10-4 4,2141 x 1014 4,3331 x 1015 Error

Tabel 4.5 diatas menampilkan sudah terjadi kesalahan proses pembagian dengan

bilangan nol untuk Q=4 dengan nomor identitas karakter 11, sehingga pendaftaran

dengan konstanta pemotongan nilai eigen (q) yang lebih besar dari 4 tidak

dilanjutkan lagi dan nantinya pengujian hanya dilakukan sampai pada q=3.

Tabel 4.6 Nilai ambang terpilih dengan menggunakan 42 pola model tandatangan Indonesia


Threshold (q=2)

Threshold (q=3)

Threshold (q=4)

1 1 A 7,8191 x 10-3 2,5942 x 101 4,1247 x 102 8,7704 x 1014

2 2 A 3,5332 x 10-2 2,8234 x 101 6,0409 x 103 1,5768 x 1017

3 3 A 5,3118 x 10-2 2,9843 x 101 1,7419 x 1017 6,3301 x 1017

4 4 Adeg-adeg 3,3834 x 10-3 4,0270 3,3742 x 101 1,2140 x 1015

5 5 Adeg-adeg 3,5312 x 10-3 1,0355 x 101 2,9691 x 102 2,5868 x 1016

6 6 Adeg-adeg 1,8635 x 10-2 8,3574 x 101 4,8726 x 1015 8,6688 x 1016

7 7 Ba 6,1247 x 10-3 4,7952 x 101 3,0434 x 102 4,1610 x 1016

8 8 Ba 1,7686 x 10-2 5,4475 x 101 5,5792 x 102 1,3174 x 1017

9 9 Ba 3,8216 x 10-2 1,6810 x 1016 1,5766 x 1017 4,5468 x 1019

10 10 Ca 4,6099 x 10-3 6,6431 1,9385 x 102 1,6435 x 1016

11 11 Ca 2,8689 x 10-3 3,4555 x 1014 2,9528 x 1016 Error

12 12 Carik 4,8413 x 10-4 6,7567 6,2582 x 101 9,2270 x 1015

13 13 Carik 1,8823 x 10-4 4,8888 x 10-1 2,7572 x 101 7,7356 x 1014

14 14 Cecek 7,9042 x 10-4 1,5769 1,7100 x 102 1,3435 x 1014

15 15 Cecek 8,1948 x 10-3 1,4219 x 101 3,0712 x 102 1,9769 x 1016

16 16 Cecek 2,1929 x 10-2 2,1806 x 1016 4,1992 x 1019 Error

17 17 Da 1,7347 x 10-3 3,2803 2,2385 x 101 3,1917 x 1014

18 18 Da 2,6951 x 10-2 6,5111 x 101 7,0867 x 102 1,6913 x 1016

19 19 Da 6,0026 x 10-2 7,4923 x 1014 3,0006 x 1017 1,6691 x 1019

20 20 Ga 4,7117 x 10-3 3,3334 3,4316 x 102 2,1261 x 1016

21 21 Ga 8,2606 x 10-2 1,8526 x 1016 1,2328 x 1018 1,1157 x 1020

22 22 Gantungan E 3,7141 x 10-3 6,5528 1,6628 x 102 4,9319 x 1015

23 23 Gantungan E 3,7141 x 10-3 6,5528 1,6628 x 102 4,9319 x 1015

24 24 Gantungan E 3,5942 x 10-4 4,1205 x 1014 2,0450 x 1016 2,4298 x 1015

25 25 Gantungan E 2,0424 x 10-4 2,4724 x 1012 5,7668 x 1014 8,8231 x 1015

26 26 Ha 9,4590 x 10-4 3,1432 8,4637 9,2776 x 1014

27 27 Ja 5,4752 x 10-3 4,9925 x 101 2,5031 x 102 9,3853 x 1014

28 28 Ja 2,7848 x 10-2 8,8293 x 1015 4,8067 x 1016 1,7227 x 1018

29 29 Ja 7,0583 x 10-4 3,5237 x 1014 4,2591 x 1015 Error

30 30 Ka 4,9808 x 10-3 7,9715 3,7108 x 101 1,6986 x 1014


Threshold (q=2)

Threshold (q=3)

Threshold (q=4)

31 31 Ka 1,9891 x 10-2 3,9709 5,9000 x 102 4,3264 x 1015

32 32 Ka 9,6744 x 10-2 3,7242 x 1016 8,8394 x 1017 2,2099 x 1019

33 33 Ka 6,4724 x 10-3 2,4058 x 1017 7,2964 x 1017 Error

34 34 La 2,9821 x 10-3 4,2185 2,0419 x 102 3,9402 x 1017

35 35 La 2,9729 x 10-3 2,2070 x 1015 2,3323 x 1018 Error

36 36 Li 1,3164 x 10-2 7,1286 x 101 6,9980 x 102 7,2826 x 1014

37 37 Li 1,6428 x 10-1 2,9621 x 1016 7,0529 x 1018 1,4748 x 1019

38 38 Ma 8,0541 x 10-3 3,1581 2,1370 x 102 6,8360 x 1016

39 39 Ma 1,9953 x 10-2 1,0166 x 1016 4,0516 x 1018 Error

40 40 Na 0 0 0 Error

41 41 Na 3,1400 x 10-3 5,8281 x 1015 5,3150 x 1017 Error

42 42 Nga 4,8930 x 10-4 6,2435 x 101 6,7742 1,0693 x 1014

43 43 Nga 6,7087 x 10-4 4,6754 x 1014 7,9949 x 1015 3,2531 x 1016

44 44 Ngi 1,1492 x 10-2 6,3927 3,5960 x 102 4,1857 x 1016

45 45 Ngi 7,0019 x 10-3 1,1502 x 101 3,5266 x 101 2,9261 x 1014

46 46 Nya 5,6774 x 10-3 3,1847 x 101 7,6438 x 101 4,7632 x 1015

47 47 Nya 1,2048 x 10-2 2,6672 x 1015 3,8268 x 1016 4,5973 x 1019

48 48 Pa 2,8560 x 10-3 1,0951 x 101 2,2490 x 102 9,1179 x 1015

49 49 Pa 7,1731 x 10-2 1,9217 x 1016 4,8439 x 1018 2,1114 x 1019

50 50 Pa 4,8366 x 10-3 1,9820 x 1015 5,2415 x 1017 Error

51 51 Ra 9,3072 x 10-3 1,3734 x 101 4,4646 x 102 1,6233 x 1015

52 52 Ra 4,3788 x 10-2 8,8407 x 1015 1,0729 x 1018 2,9851 x 1018

53 53 Ra 2,4104 x 10-2 1,7995 x 101 6,0092 x 1020 Error

54 54 Ri 3,7464 x 10-3 2,0930 7,4038 x 101 4,2006 x 1015

55 55 Sa 5,5117 x 10-4 7,3527 x 101 4,6129 1,7469 x 1013

56 56 Sa 1,5117 x 10-3 2,3784 x 1016 3,3560 x 1018 Error

57 57 Su 1,0513 x 10-4 1,2842 x 101 3,5915 x 102 4,1934 x 1016

58 58 Su 3,6213 x 10-1 8,1932 x 1016 1,1547 x 1018 3,0099 x 1020

59 59 Ta 6,3392 x 10-4 5,6857 8,2600 1,3019 x 1013

60 60 Ta 5,9957 x 10-2 1,1167 x 1016 1,6819 x 1018 6,3496 x 1019

61 61 Ta 1,9852 x 10-4 6,7491 x 1013 2,8912 x 1016 Error

62 62 Tang 9,8836 x 10-3 3,4408 x 101 4,2306 x 102 4,1377 x 1015


Threshold (q=2)

Threshold (q=3)

Threshold (q=4)

63 63 Tur 9,6710 x 10-3 9,9567 2,5991 x 102 1,7777 x 1014

64 64 Tya 4,9112 x 10-3 8,9951 3,4263 x 101 1,8784 x 1015

65 65 Wa 1,0496 x 10-3 2,9420 3,5527 x 101 3,0626 x 1016

66 66 Wa 3,3192 x 10-4 1,0903 x 1014 1,1551 x 1016 Error

67 67 Wa 5,5000 x 10-3 4,0732 1,4505 x 1015 6,2045 x 1019

68 68 Ya 8,2779 x 10-4 1,0892 8,5665 x 101 4,9609 x 1013

69 69 Ya 2,2893 x 10-3 2,2455 x 1014 2,0377 x 1016 5,3135 x 1023

70 70 Ya 4,1719 x 10-4 4,2141 x 1014 4,3331 x 1015 Error

Pengujian aksara dengan menggunakan 42 model yang diperoleh dari Pola Model

tandatangan Indonesia, ditunjukkan pada Tabel 4.6 diatas. Pengujian tersebut

dengan variasi nilai q = 1, 2, 3 dan seterusnya. Hasil pengujian yang relative sama

juga terjadi seperti pada penggunaan 23 model Aksara Bali, yaitu sudah terjadi

kesalahan proses pembagian dengan bilangan nol untuk q=4 dengan nomor

identitas karakter 11, sehingga pendaftaran dengan konstanta pemotongan nilai

eigen (q) yang lebih besar dari 4 tidak dilanjutkan lagi dan nantinya pengujian

hanya dilakukan sampai pada q=3.

4.1.5.3 Pengenalan Karakter Aksara Bali uji

Pengujian terhadap karakter Aksara Bali dilakukan dengan mengatur

variasi konstanta pengali nilai ambang (Cd) yaitu 2, 3, 4 dan 5. Pada Gambar 4.8

terlihat contoh jenis Aksara Bali yaitu Aksara A diuji dengan pengaturan

lingkungan dengan 23 pola model Aksara Bali, nilai q=3 dan Cd=3.

Gambar 4.8 Tampilan hasil pengenalan untuk satu huruf

Selengkapnya hasil pengujian yang berupa banyaknya kesalahan (error)

yang terjadi pada pengujian keseluruhan aksara uji dengan masing-masing variasi

nilai Cd serta waktu proses untuk 23 pola model Aksara Bali, terlihat dalam tabel-

tabel berikut ini:

Tabel 4.7 Jumlah kesalahan pada pengenalan dengan q = 1 dengan menggunakan 23 pola model Aksara Bali

No Jenis Aksara Waktu

Uji (ms)

Jml Uji

Cd = 2 Cd = 3 Cd = 4 Cd = 5

dikenal

Tidak terdaftar

Dikenal

aksara lain

dikenal

Tidak terdaftar

Dikenal

aksara lain

dikenal

Tidak terdaftar

Dikenal

aksara lain

dikenal

Tidak terdaftar

Dikenal

aksara lain

1 A 11685 6 6 0 0 6 0 0 6 0 0 6 0 0 2 Adeg-adeg 15912 9 9 0 0 9 0 0 9 0 0 9 0 0 3 Ba 15600 13 10 3 0 10 3 0 10 3 0 10 3 0 4 Ca 8346 7 2 2 3 2 0 5 2 0 5 2 0 5 5 Carik 13697 11 11 0 0 11 0 0 11 0 0 11 0 0 6 Cecek 15553 12 11 0 1 11 0 1 11 0 1 11 0 1 7 Da 14133 12 11 0 1 11 0 1 11 0 1 11 0 1 8 Ga 11591 9 9 0 0 9 0 0 9 0 0 9 0 0 9 Gantungan E 16692 13 13 0 0 13 0 0 13 0 0 13 0 0 10 Ha 6131 5 3 1 1 4 0 1 4 0 1 4 0 1 11 Ja 10530 8 8 0 0 8 0 0 8 0 0 8 0 0 12 Ka 13291 12 9 0 3 9 0 3 9 0 3 9 0 3 13 La 6303 6 6 0 0 6 0 0 6 0 0 6 0 0 14 Li 10546 7 7 0 0 7 0 0 7 0 0 7 0 0 15 Ma 8346 7 7 0 0 7 0 0 7 0 0 7 0 0 16 Na 7629 7 7 0 0 7 0 0 7 0 0 7 0 0 17 Nga 8517 6 6 0 0 6 0 0 6 0 0 6 0 0 18 Ngi 7894 5 5 0 0 5 0 0 5 0 0 5 0 0 19 Ni 8923 6 1 0 5 1 0 5 1 0 5 1 0 5 20 Nya 13541 9 9 0 0 9 0 0 9 0 0 9 0 0 21 Pa 9953 8 7 1 0 7 1 0 7 1 0 7 0 1 22 Ra 9812 8 8 0 0 8 0 0 8 0 0 8 0 0 23 Ri 8315 6 6 0 0 6 0 0 6 0 0 6 0 0 24 Sa 7925 7 7 0 0 7 0 0 7 0 0 7 0 0 25 Su 11512 7 7 0 0 7 0 0 7 0 0 7 0 0 26 Ta 10623 8 8 0 0 8 0 0 8 0 0 8 0 0 27 Tang 8736 6 6 0 0 6 0 0 6 0 0 6 0 0 28 Tur 10608 6 6 0 0 6 0 0 6 0 0 6 0 0 29 Tya 10811 6 6 0 0 6 0 0 6 0 0 6 0 0 30 Wa 8861 7 7 0 0 7 0 0 7 0 0 7 0 0 31 Ya 9734 8 7 0 1 7 0 1 7 0 1 7 0 1

T O T A L 247

225

7 15 226

4 17 226

4 17 226

3 18 2,8%

6,1%

1,6%

6,9%

1,6%

6,9%

1,2%

7,3%

91,1% 8,9%

91,5% 8,5%

91,5% 8,5%

91,5% 8,5%



Uji (ms)

Jml Uji

Cd = 2 Cd = 3 Cd = 4 Cd = 5

dikenal

Tidak terdaftar

Dikenal

aksara lain

dikenal

Tidak terdaftar

Dikenal

aksara lain

dikenal

Tidak terdaftar

Dikenal

aksara lain

dikenal

Tidak terdaftar

Dikenal

aksara lain


T O T A L 247

193 3 51

193 1 53

193 0 54

193 0 54

1,2%

20,6%

0,4%

21,4% 0

21,8% 0

21,8%

78,2% 21,8%

78,2% 21,8%

78,2% 21,8%

78,2% 21,8%



Uji (ms)

Jml Uji

Cd = 2 Cd = 3 Cd = 4 Cd = 5

dikenal

Tidak terdaftar

Dikenal

aksara lain

dikenal

Tidak terdaftar

Dikenal

aksara lain

dikenal

Tidak terdaftar

Dikenal

aksara lain

dikenal

Tidak terdaftar

Dikenal

aksara lain


T O T A L 247

238

5 4 238

3 6 238

1 8 238

0 9 2,0%

1,6%

1,2%

2,4%

0,4%

3,2%

0% 3,6%

96,4% 3,6%

96,4% 3,6%

96,4% 3,6%

96,4% 3,6%

Tabel 4.10 Jumlah kesalahan pada pengenalan dengan q = 1

dengan menggunakan 42 pola model tandatangan Indonesia


Uji (ms)

Jml Uji

Cd = 2 Cd = 3 Cd = 4 Cd = 5

dikenal

Tidak terdaftar

Dikenal

aksara lain

dikenal

Tidak terdaftar

Dikenal

aksara lain

dikenal

Tidak terdaftar

Dikenal

aksara lain

dikenal

Tidak terdaftar

Dikenal

aksara lain


T O T A L 247

227

7 13 227

6 14 228

3 16 228

3 16 2,8%

5,3%

2,4%

5,7%

1,2%

6,5%

1,2%

6,5%

91,9% 8,1%

91,9% 8,1%

92,3% 7,7%

92,3% 7,7%

Tabel 4.11

Jumlah kesalahan pada pengenalan dengan q = 2 dengan menggunakan 42 pola model tandatangan Indonesia


Uji (ms)

Jml Uji

Cd = 2 Cd = 3 Cd = 4 Cd = 5

dikenal

Tidak terdaftar

Dikenal

aksara lain

dikenal

Tidak terdaftar

Dikenal

aksara lain

dikenal

Tidak terdaftar

Dikenal

aksara lain

dikenal

Tidak terdaftar

Dikenal

aksara lain

1 A 23228 6 3 0 3 3 0 3 3 0 3 3 0 3 2 Adeg-adeg 31824 9 9 0 0 9 0 0 9 0 0 9 0 0 3 Ba 33041 13 11 0 2 11 0 2 11 0 2 11 0 2 4 Ca 17846 7 2 2 3 2 2 3 2 1 4 2 1 4 5 Carik 29578 11 6 0 5 6 0 5 6 0 5 6 0 5 6 Cecek 33805 12 11 0 1 11 0 1 11 0 1 11 0 1 7 Da 30669 12 7 0 4 7 0 4 7 0 4 7 0 4 8 Ga 25101 9 9 0 0 9 0 0 9 0 0 9 0 0 9 Gantungan E 35926 13 13 0 0 13 0 0 13 0 0 13 0 0 10 Ha 13401 5 3 0 2 3 0 2 3 0 2 3 0 2 11 Ja 22230

8 8 2 0 6 2 0 6 2 0 6 2 0 6

12 Ka 28688 12 9 0 3 9 0 3 9 0 3 9 0 3 13 La 13759 6 3 0 3 3 0 3 3 0 3 3 0 3 14 Li 22090 7 5 2 0 5 0 2 5 0 2 5 0 2 15 Ma 17940 7 7 0 0 7 0 0 7 0 0 7 0 0 16 Na 16474 7 7 0 0 7 0 0 7 0 0 7 0 0 17 Nga 17722 6 6 0 0 6 0 0 6 0 0 6 0 0 18 Ngi 16271 5 5 0 0 5 0 0 5 0 0 5 0 0 19 Ni 19344 6 0 0 6 0 0 6 0 0 6 0 0 6 20 Nya 29546 9 9 0 0 9 0 0 9 0 0 9 0 0 21 Pa 21684 8 6 0 2 6 0 2 6 0 2 6 0 2 22 Ra 21512 8 8 0 0 8 0 0 8 0 0 8 0 0 23 Ri 17987 6 6 0 0 6 0 0 6 0 0 6 0 0 24 Sa 17597 7 7 0 0 7 0 0 7 0 0 7 0 0 25 Su 24960 7 7 0 0 7 0 0 7 0 0 7 0 0 26 Ta 23182 8 6 0 2 6 0 2 6 0 2 6 0 2 27 Tang 18970 6 0 0 6 0 0 6 0 0 6 0 0 6 28 Tur 22901 6 6 0 0 6 0 0 6 0 0 6 0 0 29 Tya 23447 6 6 0 0 6 0 0 6 0 0 6 0 0 30 Wa 19110 7 7 0 0 7 0 0 7 0 0 7 0 0 31 Ya 21169 8 5 1 2 5 1 2 5 0 3 5 0 3

T O T A L 247

192 5 50

192 3 52

192 1 54

192 1 54

2% 20,2%

1,2%

21%

0,4%

21,8%

0,4%

21,8%

77,8%

22,2% 77,8%

22,2% 77,8%

22,2% 77,8%

22,2%

Tabel 4.12

Jumlah kesalahan pada pengenalan dengan q = 3 dengan menggunakan 42 pola model tandatangan Indonesia


Uji (ms)

Jml Uji

Cd = 2 Cd = 3 Cd = 4 Cd = 5

dikenal

Tidak terdaftar

Dikenal

aksara lain

dikenal

Tidak terdaftar

Dikenal

aksara lain

dikenal

Tidak terdaftar

Dikenal

aksara lain

dikenal

Tidak terdaftar

Dikenal

aksara lain


T O T A L 247

227

12 8 228

10 9 228

5 14 228

5 14 4,9%

3,2%

4,0%

3,7%

2% 5,7%

2% 5,7%

91,9%

8,1% 92,3%

7,7% 92,3%

7,7% 92,3%

7,7%

4.2 Analisis Hasil

Analisis hasil yang dilakukan adalah terhadap hasil pengujian,

pembandingan dengan metode lain, kompleksitas waktu dan kompleksitas ruang

penyimpanan.

4.2.1 Analisis Hasil Pengujian

Hasil pengujian yang dilakukan baik dalam hal pembuatan basis data

acuan maupun pengujian pengenalan aksara uji, telah dipresentasikan dalam

bentuk tabel. Berdasarkan apa yang terlihat pada tabel-tabel hasil pengujian itulah

dilakukan analisis terhadap sistem pengenalan ini.

Besarnya masing-masing variabel lingkungan sistem yang masih efektif

digunakan pada sistem pengenalan untuk 23 pola model Aksara Bali maupun 42

pola model tandatangan Indonesia adalah :

Konstanta pemotongan nilai eigen (q) adalah 1, 2 dan 3. Nilai q yang

kecil, akan menyebabkan hasil pengenalan menjadi tidak stabil, karena

nilai eigen pada urutan kecil belum bisa menggambarkan karakteristik

suatu matriks, sedangkan nilai q yang besar (dalam hal ini lebih dari 3)

akan cenderung menyebabkan terjadinya kesalahan sistem yaitu

adanya pembagian dengan bilangan nol, karena nilai eigen pada urutan

besar cenderung bernilai sangat kecil bahkan terkadang mendekati nol.

Konstanta pengali nilai ambang (Cd) adalah 2,0; 3,0; 4,0 dan 5,0. Nilai

ini dipakai agar nilai ambang yang dihasilkan tidak terlalu jauh

menyimpang dari nilai C yang didapatkan.

4.2.1.1 Analisis Pengujian Pengenalan

Hasil pengenalan terhadap karakter Aksara Bali terlihat pada Tabel 4.7

sampai dengan Tabel 4.12 dengan menampilkan banyaknya kesalahan yang

terjadi pada masing-masing variasi pengujian. Total kesalahan pada masing-

masing variasi lingkungan sistem diperlihatkan kembali dalam Tabel 4.13 yang

digunakan untuk mempermudah melakukan analisis.

Tabel 4.13 Banyaknya kesalahan yang terjadi pada pengujian sistem pengenalan

POLA MODEL q

Cd = 2,0 Cd = 3,0 Cd = 4,0 Cd = 5,0

dikenal

Tidak terdaf

tar

Dikenal

aksara lain

dikenal

Tidak terdaf

tar

Dikenal

aksara lain

dikenal

Tidak terdaf

tar

Dikenal

aksara lain

dikenal

Tidak terdaf

tar

Dikenal

aksara lain

Aksara Bali (p=23)

1 225 7 15 226 4 17 226 4 17 226 3 18 2 193 3 51 193 1 53 193 0 54 193 0 54 3 238 5 4 238 3 6 238 1 8 238 0 9

Tandatangan Indonesia (p=42)

1 227 7 13 227 6 14 228 3 16 228 3 16 2 192 5 50 192 3 52 192 1 54 192 1 54 3 227 12 8 228 10 9 228 5 14 228 5 14

Angka kesalahan yang terjadi pada pengujian seperti terlihat dari

Tabel 4.13 di atas kemudian dihitung prosentase kesalahannya masing-masing,

yaitu kesalahan tipe I (kesalahan dimana aksara uji dianggap tidak terdaftar

padahal sudah ada), serta kesalahan tipe II (kesalahan sistem yang terjadi akibat

kesalahan mengenali aksara uji yang berbeda). Rumusan dari perhitungan masing-

masing tipe kesalahan tersebut adalah sebagai berikut :

%100247

)1.4(%100

Uj

Uj

Uj

ErrorN

ErrorITipeError

%100247

)2.4(%100

Uj

Uj

Uj

ErrorN

ErrorIITipeError

)3.4(IITipeErrorITipeErrorSistemError

Hasil perhitungan dari prosentase kesalahan tipe I dan tipe II sistem

pengenalan menggunakan rumusan di atas, dengan dasar data yang ada pada

Tabel 4.13 diperlihatkan dalam Tabel 4.14, prosentase kesalahan rata-rata dalam

Tabel 4.15 dan prosentase keberhasilan yang digunakan sebagai tolok ukur unjuk

kerja sistem dalam Tabel 4.16 , sedangkan presentasi dalam bentuk grafik terlihat

pada Gambar 4.9, Gambar 4.10, Gambar 4.11 dan Gambar 4.12.

Tabel 4.14 Prosentase kesalahan tipe I dan tipe II pada pengujian sistem pengenalan

POLA MODEL q Cd = 2,0 Cd = 3,0 Cd = 4,0 Cd = 5,0

Tipe I (%)

Tipe II (%) Tipe I (%)

Tipe II (%)

Tipe I (%)

Tipe II (%)

Tipe I (%)

Tipe II (%)

Aksara Bali (p=23)

1 2,8 6,1 1,6 6,9 1,6 6,9 1,2 7,3 2 1,2 20,6 0,4 21,4 0 21,8 0 21,8 3 2,0 1,6 1,2 2,4 0,4 3,2 0 3,6


1 2,8 5,3 2,4 5,7 1,2 6,5 1,2 6,5 2 2 20,2 1,2 21 0,4 21,8 0,4 21,8

3 4,9 3,2 4,0 3,7 2 5,7 2 5,7

Tabel 4.15

Prosentase kesalahan rata-rata pada pengujian sistem pengenalan

POLA MODEL q Cd = 2,0

(%) Cd = 3,0

(%) Cd = 4,0

(%) Cd = 5,0

(%) Aksara Bali (p=23)

1 8,9 8,5 8,5 8,5 2 21,8 21,8 21,8 21,8 3 3,6 3,6 3,6 3,6


1 8,1 8,1 7,7 7,7 2 22,2 22,2 22,2 22,2 3 8,1 7,7 7,7 7,7

Tabel 4.16 Prosentase keberhasilan pada pengujian sistem pengenalan

POLA MODEL q Cd = 2,0

(%) Cd = 3,0

(%) Cd = 4,0

(%) Cd = 5,0

(%) Aksara Bali (p=23)

1 91,1 91,5 91,5 91,5 2 78,2 78,2 78,2 78,2 3 96,4 96,4 96,4 96,4


1 91,9 91,9 92,3 92,3 2 77,8 77,8 77,8 77,8 3 91,9 92,3 92,3 92,3

Gambar 4.9 Grafik prosentase kesalahan tipe I

Gambar 4.10 Grafik prosentase kesalahan tipe II

Gambar 4.11 Grafik prosentase kesalahan rata-rata

Gambar 4.12 Grafik prosentase keberhasilan unjuk kerja sistem

Grafik prosentase kesalahan Tipe I pada Gambar 4.9 menunjukkan bahwa

semakin besar konstanta pengali nilai ambang (Cd) maka prosentase kesalahan

yang terjadi akan semakin kecil, karena rentang penerimaan semakin besar

sehingga sistem akan semakin toleran menerima variasi aksara dengan beda yang

lebih besar. Grafik prosentase kesalahan Tipe II pada Gambar 4.10 menunjukkan

bahwa semakin besar nilai Cd maka prosentase kesalahan semakin besar pula. Hal

ini disebabkan karena aksara yang sebelumnya dianggap tidak terdaftar setelah

Cdnya diperbesar maka dikenali sebagai aksara yang berbeda. Kedua hal ini

berlaku untuk semua variasi lingkungan sistem baik variasi konstanta q maupun

pola model.

Grafik pada Gambar 4.11 yang merupakan grafik prosentase kesalahan

rata-rata yang terjadi pada sistem pengenalan menunjukkan bahwa ada titik

minimum prosentase kesalahan yang didapat dari kombinasi lingkungan sistem,

yaitu menggunakan 23 pola model Aksara Bali dengan konstanta pemotongan

nilai eigen q (noktah segiempat) bernilai 3 untuk semua nilai Cd. Kombinasi

lingkungan sistem ini memberikan prosentase kesalahan terkecil yaitu sebesar

3,6%.

Grafik pada Gambar 4.12 menunjukkan prosentase keberhasilan unjuk

kerja sistem tidak terlalu dipengaruhi oleh perubahan pengali nilai ambang (Cd)

kecuali pada kasus-kasus tertentu yang mana karakter yang sebelumnya

dinyatakan tidak terdaftar setelah Cdnya diperbesar maka karakter tersebut dapat

dikenali. Variasi nilai q sangat berpengaruh terhadap unjuk kerja sistem baik pada

23 pola model Aksara Bali maupun 42 pola model tandatangan Indonesia, kecuali

pada q=2.

Hal lain yang bisa diamati dari hasil pengujian adalah waktu proses yang

diperlukan untuk melakukan pengenalan pada masing-masing lingkungan sistem

seperti terlihat dalam Tabel 4.17.

Tabel 4.17 Perbandingan waktu proses untuk 23 pola model Aksara Bali

dan 42 pola model Tandatangan Indonesia

No Jumlah Uji Pola Model

Jumlah Basis data Acuan yang terdaftar 10 20 30 40 50 60 70

t(ms) t(ms) t(ms) t(ms) t(ms) t(ms) t(ms) 1 247 23 50825 101291 163925 189431 231442 276043 317679 2 247 42 108398 196950 292626 388721 487423 591428 695777

Grafik dari waktu proses dari Tabel 4.17 terlihat seperti pada Gambar 4.12.

Grafik tersebut menunjukkan waktu proses pengenalan untuk jumlah basis data

acuan yang semakin banyak memerlukan waktu yang lebih lama untuk masing-

masing pola model. Waktu proses pengenalan yang diperlukan jika menggunakan

23 pola model Aksara Bali lebih cepat dibandingkan dengan menggunakan 42

pola model Tandatangan Indonesia. Variasi besarnya konstanta pengali nilai

ambang Cd relatif tidak berpengaruh pada waktu proses. Pada spesifikasi

perangkat keras yang sama, hal yang paling berpengaruh terhadap waktu proses

adalah banyaknya perangkat lunak atau program yang aktif secara bersamaan

pada saat pengujian.

Gambar 4.13 Grafik waktu proses pengenalan sistem

Hasil pengujian dan analisis hasil di atas menjelaskan bahwa prosentase

keberhasilan unjuk kerja dalam sistem pengenalan Aksara Bali dengan

menggunakan Metode Pola Busur Terlokalisasi sudah sangat tinggi yaitu 96,4%.

Hal ini dipengaruhi oleh konstanta pemotongan nilai eigen (q), semakin besar

nilai (q) maka kesalahan pengenalan semakin kecil.

4.2.2 Analisa Perbandingan Keberhasilan Pengenalan Aksara Bali

Sistem pengenalan Aksara Bali dengan menggunakan metode Pola Busur

Terlokalisasi seperti yang dijelaskan pada sub bab diatas mendapatkan prosentase

keberhasilan sebesar 96,4 %. Hasil pengenalan ini sudah sangat tinggi bila

dibandingkan dengan menggunakan pola dari tandatangan Indonesia yang sebesar

92,3 % dan apabila dibandingkan dengan hasil penelitian I Komang Gede Suamba

Dharmayasa yang menggunakan metode moment invariant dan LVQ untuk

pengenalan Aksara Bali yang memperoleh hasil sebesar 99,4, hasil yang diperoleh

dengan menggunakan metode Pola Busur memang relative lebih kecil. Hal ini

disebabkan pada metode LVQ, citra Aksara Bali dibagi ke dalam 3 kelompok

citra yaitu citra golongan persegi, persegi panjang dengan panjang kesamping,

atau persegi panjang dengan panjang ke bawah. Nilai setiap pola akan dicari

jaraknya dengan bobot dari kelas-kelas yang memiliki golongan sama di dalam

basis data selanjutnya kelas di basis data yang memiliki jarak terpendek dan lebih

kecil dari nilai ambang yang ditetapkan adalah merupakan hasil dari pengenalan.

Hal ini akan berbeda dengan metode Pola Busur Terlokalisasi dimana citra uji

akan dicocokkan dengan semua citra acuan yang tersimpan dalam basis data.

Kelebihannya pada penelitian ini dapat mengenali aksara dengan ukuran pixel

citra yang berbeda sedangkan pada metode LVQ menggunakan ukuran pixel citra

yang sama.

Hal lain yang dapat dipergunakan untuk menambah unjuk kerja dari sistem

pengenalan dengan metode Pola Busur Terlokalisasi ini yaitu dengan membagi

citra acuan maupun citra uji ke dalam empat ruang dimana citra pada masing-

masing ruang tersebut akan diekstraksi cirinya. Kekurangannya adalah

menyebabkan waktu proses yang sangat lama karena untuk 1 citra aksara, 23 pola

model Aksara Bali akan diproses sebanyak 4 kali untuk mengekstraksi citra

dimasing-masing ruang. Ukuran vektor untuk menyimpan ciri serta proses

berikutnya juga 4 kali lebih banyak yang berdampak pada bertambah tingginya

kompleksitas waktu proses pengenalan.

4.2.3 Analisis Kompleksitas Waktu

Selain waktu proses yang bisa dicatat langsung pada saat pengujian sistem

(yang dipengaruhi oleh konfigurasi perangkat keras serta program yang aktif saat

pengujian), dapat juga dianalisis kompleksitas waktu sistem pengenalan secara

umum. Kompleksitas waktu pada suatu sistem ditentukan oleh banyaknya operasi

matematis yang terjadi terutama operasi perkalian dan pembagian, serta operasi-

operasi lain yang diperlukan selama sistem tersebut menjalankan fungsinya.

Pada sistem pengenalan ini kebutuhan waktu sistem ada dua bagian, yaitu :

Kebutuhan waktu yang tidak dapat dianalisis secara pasti, yaitu pada tahap

pengambilan data dan prapemrosesan. Kebutuhan waktu kedua tahapan ini

tidak termasuk dalam analisis kompleksitas waktu yang dilakukan.

Kebutuhan waktu yang dapat dianalisis, yaitu pada tahap ekstraksi ciri,

pembandingan dan tahap pembuatan basis data acuan.

Jika dimisalkan banyaknya pola dilambangkan dengan N dan

banyaknya pola model yang dikelompokkan dari pola tersebut dilambangkan

dengan p, maka dapat dilakukan perhitungan untuk mencari kompleksitas

waktu sistem pengenalan ini adalah sebagai berikut :

Kompleksitas waktu tahap ekstraksi ciri

Pada tahap ekstraksi ciri terjadi proses pembandingan pola berukuran 5 x 5

pada citra Aksara Bali yang berukuran 140 x 165 piksel. Pola digerakkan

di atas citra baik secara horisontal maupun vertikal sehingga keseluruhan

piksel citra Aksara Bali terlingkupi. Banyaknya perbandingan maksimum

setiap melakukan sekali ekstraksi ciri adalah :

5 x 5 x 140 x 165 x N = 577500N kali perbandingan

Dalam kondisi praktis perbandingan yang terjadi biasanya jauh di bawah

577500N kali, karena pola 5 x 5 yang tidak cocok biasanya sudah diketahui

sebelum perbandingan ke-25 pada masing-masing pola.

Kompleksitas waktu tahap pembandingan.

Kompleksitas waktu pada tahap pembandingan dicari sesuai dengan prosedur

atau fungsi yang dikerjakan yaitu :

- Menghitung matriks varians

function CountMeanFrequency(sampel: TPersonSign) : TmeanFrequency;

begin for i := 1 to DimVector do begin bantu := 0; for Mi := 1 to Number do bantu := bantu + sampel.freq[i,Mi]; CountMeanFrequency[i] := bantu / number; end; end; Operasi yang terjadi :

Penjumlahan = 3p kali.

Pembagian = p kali.

function CountFreqMinMean(Mean : TMeanFrequency;

Pr : TPersonSign) : TFreqMinMean;

begin for i := 1 to Number do for j := 1 to DimVector do CountFreqMinMean[j,i] := Pr.Freq[j,i]-Mean[j]; end;

Operasi yang terjadi:

Pengurangan = 3p kali. function CountVariance(Mean : TMeanFrequency;

Pr : TpersonSign): TVariance; begin Vector := CountFreqMinMean(Mean,Pr); for i := 1 to DimVector do for j := 1 to DimVector do begin Temp := 0; for k := 1 to Number do Temp := Temp + Vector[i,k]*Vector[j,k]; Bantu[i,j] := Temp/Number; end; CountVariance := Bantu; end;

Operasi terjadi :

Perkalian = p x p x 3 = 3p2 kali.

Pembagian = p x p = p2 kali.

Penjumlahan = p x p x 3 = 3p2 kali.

Total operasi pada perhitungan matriks varians :

Perkalian/pembagian = p + 3p2 + p2 = (4p2 + p) kali.

Penjumlahan/pengurangan = 3p + 3p + 3p2 = (6p + 3p2) kali

- Menghitung nilai eigen dan vektor eigen.

Metode Jacobi yang dipergunakan untuk mencari nilai eigen dan vektor

eigen, memerlukan maksimum sebanyak 15n3 operasi matematis perkalian

atau pembagian (n adalah orde matriks), dengan rincian : rotasi yang

dilakukan sebanyak 5n3 kali, sedangkan pada setiap rotasi terjadi 3n

operasi matematis. Oleh karena matriks varian berukuran p x p maka

operasi perkalian atau pembagian maksimum yang dilakukan pada

perhitungan nilai eigen dan vektor eigen adalah 15p3 kali operasi.

- Menghitung nilai ketidaksamaan.

function CountZ(L : TVariance; k : integer; X : TFrequency; Urut : TSort) : real;

begin bantu := 0; for i := 1 to DimVector do bantu := bantu + L[i,Urut[k]]*X[Urut[i]]; CountZ := bantu; end;

Operasi terjadi : Perkalian = p kali. Penjumlahan = p kali. function CountDissimilarity (L : TVariance; Lamda, XMean :

TMeanFrequency; X : TFrequency; Urut : TSort) : real; begin dis1 := 0; for k := 1 to qi do begin if Lamda[Urut[k]] <> 0 then dis1 := dis1 + (SQR(CountZ(L,k,X,Urut)-

countZ(L,k,XMean,Urut))/Lamda[Urut[k]]) else begin if error <> 2 then Error := 1; exit; end; end;

dis2 := 0; for k := qi+1 to DimVector do

dis2 := dis2 + (SQR(CountZ(L,k,X,Urut)-CountZ(L,k,XMean,Urut))/Lamda[Urut[qi]]);

CountDissimilarity := dis1 + dis2; end;

Operasi yang terjadi :

Penjumlahan = (p + 1) kali.

Pengurangan = p kali.

Pembagian = p kali.

Perpangkatan = p kali.

Operasi mencari Z = p x 2 = 2p kali.

Total operasi perhitungan nilai ketidaksamaan :

Perkalian/pembagian = 2p + p + p = 4p kali.

Penjumlahan/pengurangan = 2p + p + 1 + p = (4p + 1) kali

Jadi total operasi maksimum yang terjadi pada tahap pembandingan adalah :

Perkalian/pembagian = (4p2 + p) + (15p3 ) + (4p)

= (15p3 + 4p2 + 5p) kali.

Penjumlahan/pengurangan = (6p + 3p2) + (4p + 1)

= (3p2 + 10p + 1) kali

Setiap tahap pembandingan sebelumnya pasti didahului dengan ekstraksi

ciri aksara, maka dari itu secara keseluruhan tahap pembandingan memerlukan

maksimum (15p3 + 4p2 + 5p) kali operasi perkalian atau pembagian, (3p2 + 10p +

1) kali operasi penjumlahan atau pengurangan serta ditambah 577500N kali

perbandingan pada tahap ekstraksi ciri.

Kompleksitas waktu pembuatan basis data acuan.

Untuk setiap karakter, memerlukan 6 citra karakter sebagai acuan. Dari 6 citra

ini, 3 citra dicari frekuensi kemunculan pola modelnya yang akan disimpan

dalam file acuan, sedangkan 3 sisanya dipergunakan untuk mencari nilai

ambang. Kompleksitas waktunya adalah :

Tiga citra aksara pertama :

Ekstraksi ciri = 3 x 577500N = 1.732.500N kali perbandingan.

Perhitungan matriks varians :

Perkalian/pembagian = (4p2 + p) kali.

Penjumlahan/pengurangan = (6p + 3p2) kali

Perhitungan nilai eigen = 15p3 kali operasi perkalian .

Tiga citra aksara sisanya :

Ekstraksi ciri = 3 x 577500N = 1.732.500N kali perbandingan.

Menghitung ketidaksamaan :

Perkalian/pembagian = 3 x 4p = 12p kali.

Penjumlahan/pengurangan = 3 x (4p + 1) = (12p + 3) kali

Sorting 3 nilai ketidaksamaan = 6 kali perbandingan.

Total perbandingan = 1.732.500N + 1.732.500N + 6 = 3.465.006N kali.

Total operasi matematis:

Perkalian/pembagian = (15p3 + 4p2 + 5p) + 12p

= (15p3 + 4p2 + 17p) kali.

Penjumlahan/pengurangan = (12p + 6p2) + (12p + 3)

= (6p2 + 24p + 3) kali

Jadi kompleksitas waktu maksimum pembuatan basis data acuan untuk

satu aksara adalah : (15p3 + 4p2 + 17p) kali operasi perkalian atau pembagian,

(6p2 + 24p + 3) kali operasi penjumlahan atau pengurangan, ditambah dengan

3.465.006N kali perbandingan.

Melihat demikian tingginya kompleksitas waktu yang diperlukan sistem

pengenalan ini, maka diperlukan perangkat keras yang berupa komputer dengan

kecepatan proses yang memadai agar pengoperasian sistem tidak terlalu lambat.

4.2.4 Analisis Kompleksitas Ruang Penyimpanan

Kompleksitas ruang penyimpanan yang diperlukan oleh suatu sistem

sangat tergantung dari struktur data yang digunakan untuk mengembangkan

sistem tersebut, terutama struktur yang nantinya akan berhubungan langsung

dengan fasilitas media penyimpan. Masing-masing tipe data yang digunakan

memerlukan ruang penyimpan yang berbeda pula. Tipe-tipe data yang digunakan

dalam sistem pengenalan ini yang berhubungan dengan keperluan media

penyimpan terlihat dalam Tabel 4.18 berikut ini:

Tabel 4.18

Tipe data dan ruang penyimpan yang diperlukan

No Tipe Ruang Penyimpan

1 Byte 1 byte 2 Integer 4 byte 3 Word 4 byte 4 Real 6 byte 5 String[35] 35 byte + 1 byte

Mengacu pada tabel di atas dan struktur data yang telah dirancang, maka

keperluan ruang penyimpan masing-masing file pada sistem pengenalan ini dapat

dihitung sebagai berikut:

Pola model

TModelPattern = record Nomor : byte; // 1 byte Model : byte; // 1 byte Pattern : array[0..4,0..4] of byte;

// 5 x 5 x 1 byte end;

Pola model tandatangan Indonesia sebanyak 52 pola, maka keperluan

ruang penyimpannya adalah : (1 + 1 + 25) x 52 = 1.404 byte.

Pola model Aksara Bali sebanyak 23 pola, maka keperluan ruang

penyimpannya adalah : (1 + 1 + 25) x 23 = 621 byte.

Data sebuah karakter

THuruf = record IdNumber : word; // 4 byte Name : string[35]; // 36 byte Freq :array[1.. DimVector,1..6] of word; // 52 x 6 x 4 = 1248 byte RefFileName : string[70]; //71 byte ADis : array[1..3] of real;

// 3 x 6 = 18 byte Critical : real;

end;

Guna menyederhanakan program, maka dalam sistem pengenalan ini

dimensi vektor yang digunakan adalah dimensi vektor terbesar, yaitu

sebanyak pola model yang dimiliki oleh Tandatangan Indonesia yaitu 42.

Dapat disimpulkan bahwa banyaknya keperluan ruang penyimpan untuk

data sebuah aksara adalah : 4 + 36 + 1248 + 71 + 18 + 6 = 1383 byte.

Jika sistem ini dimanfaatkan secara nyata, maka ada beberapa komponen

data aksara yang tidak diperlukan. Adapun struktur data yang dipakai jika

sistem dimanfaatkan secara nyata dengan menggunakan pola model

Aksara Bali adalah :

TPersonSign = record IdNumber : word; // 4 byte Name : string[35]; // 36 byte Freq :array[1..23 ,1..6] of word;

// 23 x 6 x 4 = 1008 byte Critical : real; // 6 byte

end;

Keperluan ruang penyimpannya adalah : (4 + 36 + 1008 + 6) = 552 byte.

Kompleksitas ruang penyimpanan pada sistem pengenalan menggunakan

metode masukan statis secara umum cukup besar, hal tersebut dipengaruhi oleh

faktor disimpan atau tidaknya aksara sampel. Pada kondisi praktis file citra aksara

acuan maupun uji tidak perlu disimpan, karena ciri-ciri yang diperlukan untuk

proses pengenalan sudah diekstraksi pada saat pembuatan basis data acuan dan

disimpan dalam sebuah file.

Sistem pengenalan dalam penelitian ini menggunakan format file citra

bitmap dua warna untuk penyimpanan citra aksara, masing-masing citra aksara

berukuran 140 x 165 piksel memerlukan ruang penyimpan sebanyak 23.100 byte.

Sehingga jika semua file citra aksara acuan maupun uji harus disimpan, maka

akan memerlukan ruang penyimpan yang cukup banyak.

arning and knowledge were never meant to be divorced from reality;

basically, they are to help reduce mankind’s gasps of anguish and his tears of distress.

(Anand Khrisna)

BAB V

SIMPULAN DAN SARAN

BAB V

SIMPULAN DAN SARAN

5.1 Simpulan

Berdasarkan hasil ujicoba yang telah dilakukan dapat disimpulkan hal-hal

sebagai berikut:

1. Ekstraksi ciri karakter dilakukan dengan pola khusus yang dibentuk

berdasarkan Metode Pola Busur Terlokalisasi. Pemilihan model dilakukan

dari implementasi pola yang didapatkan pada basisdata citra Aksara Bali,

berdasarkan akumulasi frekuensi kemunculan masing-masing pola model.

Dilihat dari prosentase kesalahan serta waktu proses, metode ini terbukti

cukup efektif dan menghasilkan unjuk kerja yang lebih baik untuk

pengenalan Aksara Bali, dibandingkan dengan memakai pola model

Tandatangan Indonesia.

2. Unjuk kerja sistem diukur berdasarkan dua macam tipe kesalahan, yaitu :

kesalahan penolakan (false rejection) dan kesalahan penerimaan (false

acceptance). Sistem yang dikembangkan mempunyai prosentase kesalahan

minimum pada semua kombinasi konstanta pengali nilai ambang Cd 2,0; 3,0;

4,0; 5,0 dan konstanta pemotongan nilai eigen q bernilai 3, dengan rata-rata

kesalahan sistem adalah 3,6 % sehingga diperoleh tingkat keberhasilan

sebesar 96,4%.

5.2 Saran

Berikut ini adalah beberapa saran yang dapat diberikan untuk penelitian

lebih lanjut:

1. Aplikasi ini dapat dikembangkan dengan mengkombinasikan dengan

metode LVQ dan sebelum dilakukan ekstraksi ciri, citra acuan maupun

uji dibagi ke dalam empat ruang untuk mendapatkan unjuk kerja yang

lebih bagus.

2. Sistem ini menggunakan pola busur 5x5 sehingga pada pengembangan

lebih lanjut dapat dicoba digunakan pola busur ukuran 3x3 dengan

harapan dapat melakukan ekstraksi citra karakter dengan lebih detail.

3. Pola model yang didapatkan pada penelitian ini bisa diteliti

penggunaannya pada pengenalan Tulisan Tangan Aksara Bali atau

permasalahan sistem pengenalan obyek lainnya, tidak terbatas hanya

pada karakter cetak saja.

DAFTAR PUSTAKA

Agung BW, I Gede Rudy Hermanto, Retno Novi D ang. 2009. Pengenalan Huruf Bali dengan Menggunakan metode Modified Direction Feature (MDF) dan Learning Vector Quantization (LVQ). Konferensi Nasional Sistem dan Informatika 2009. Institut Teknologi Telkom, Bandung. yudiagusta.files.wordpress.com/.../007-012-knsi09-002-pengenalan-huruf-bali-menggunakan-metode-modified-direction-feature-_mdf Oka Sudana, AA. K. 2006. Rancang Bangun Sistem Verifikasi Tandatangan dan Pengenalan Tulisan Tangan dengan Metode Pola Busur Terlokalisasi. Proceeding of the Research and Studies III. TPSDP – DIKTI 2006. Oka Sudana, AA.K. 2007. Implementasi Pola Model Tandatangan Jepang dan Tandatangan Indonesia untuk Verifikasi Tandatangan Latin. Jurnal Pakar, Vol 7, No 4, Yogyakarta. Shin-ichi Kikuchi, Takehiro Furuta, Takako Akakura. 2008. Periodical Examinees Identification in e-Test Systems Using the Localized Arc Pattern Method. Distance Learning and the Internet Conference 2008. p.213-220. Waseda University, Japan. Suamba Dharmayasa, I Komang Gede. 2009. Pengenalan Karakter Bali Cetak Menggunakan Metode Moment dan Jaringan Syaraf Tiruan Learning Vector Quantization. Teknik Elektro udayana, Jimbaran. Yoshimura, I., Shimizu, T. dan Yoshimura, M.. 1993. A Zip Code Recognition System using the Localized Arc Pattern Method. Proceedings of the 2nd International Conference on Document Analysis and Recognition. IEEE Computer Society. p183-186. Yoshimura, M. dan Yoshimura, I., 1988, “Writer Identification Based on the Arc Pattern Transformation”, Proceedings of the 9th International Conference on Pattern Recognition, November 14-17, 1993, IEEE Computer Society, Washington, p.183-186. Yoshimura, I. dan Yoshimura, M., 1990, “Arc Pattern Method for Writer Recognition as an Aid for Person Identification”, Nagoya University p.71-82. ___.___. 2010. Aksara Bali. http://wapedia.mobi/id/Aksara_Bali . Diakses tanggal 09 Oktober 2010.

BIODATA PRIBADI

Nama : Ni Kadek Ayu Wirdiani NIM : 0991761013

Bidang Studi : Teknik Elektro

Konsentrasi :Manajemen Teknologi

Informatika

Tempat, Tgl. Lahir : Denpasar, 27 Maret 1981

Alamat : Jl. Gunung Guntur Gg. II/2,

Padangsambian

Telepon :(0361)411895/

081338273148

Email : [email protected]

Nama Orang Tua : I Nyoman Wirtha

Agama : Hindu

Jenis Kelamin : Perempuan

Status Pernikahan : Menikah

Kewarganegaraan : Indonesia

Tgl Lulus : 01 Juli 2011

RIWAYAT PENDIDIKAN

1987 – 1993 : Sekolah Dasar di SD no.29 Pemecutan Barat

1993 – 1996 : Sekolah Menengah Pertama di SLTPN 2 Denpasar

1996 – 1999 : Sekolah Menengah Umum di SMUN 2 Denpasar 1999 – 2004 : Program Studi Teknik Elektro Jurusan Elektronika Komunikasi Fakultas Teknik Universitas Udayana

2009 – 2011 : Program Pascasarjana Program Studi Teknik Elektro Konsentrasi Manajemen Teknologi Informatika Universitas Udayana

pembentukan pola khusus untuk ekstraksi ciri pada sistem ...

Documents