Tahap Penelitian METODE PENELITIAN
yang menguji model pembagian zona terbaik sehingga pada penelitian ini citra dibagi ke dalam 4 zona. Pembagian 4 zona ini
diuji menggunakan 2 model yaitu citra dibagi menjadi 4 zona secara horizontal dan vertikal-horizontal. Berikut ini adalah representasi
citra ketika dibagi menjadi 4 zona.
Gambar 3.3 Pembagian 4 Zona Secara Horizontal Gambar 3.3 merupakan representasi dari citra yang dibagi menjadi 4
zona secara horizontal. Citra berukuran 100
x
110
pixels
sehingga jika dibagi 4 zona secara horizontal maka tiap zona masing-masing
berukuran 25
x
110
pixels
.
Gambar 3.4 Pembagian 4 Zona Secara Vertikal-Horizontal Gambar 3.4 merupakan representasi dari citra yang dibagi menjadi 4
zona secara vertikal dan horizontal. Citra berukuran 100
x
110
pixels
sehingga jika dibagi 4 zona maka setiap zona secara vertikal- horizontal masing-masing berukuran 50
x
55
pixels
. Jumlah
feature
objek sebanding dengan jumlah pembagian zonanya sehingga ketika diimplementasikan, ekstrasi ciri ICZ memiliki keluaran 4 nilai
feature
dan ekstraksi ZCZ memiliki keluaran 4 nilai
features
. Pada prinsipnya ekstraksi ciri ICZ-ZCZ merupakan gabungan dari
ekstraksi ciri ICZ dan ZCZ sehingga dengan pembagian 4 zona maka menghasilkan nilai 8 nilai
features
dari objek. d.
Pembuatan
Template Database
Data yang sudah melalui tahap
preprocessing
dan
feature extraction and selection
akan menghasilkan keluaran berupa ciri dari objek tersebut. Ciri dari setiap objek yang dijadikan sebagai
template
disimpan ke
database
ciri untuk membuat
template database
. Citra yang digunakan untuk pembuatan
template database
sebanyak 100 citra yang independen terhadap citra data uji
testing
. e.
Classification
Tahap klasifikasi akan menghitung jarak minimum antara
template
dengan data uji sehingga data uji yang memiliki kemiripan paling besar akan diklasifikasikan sesuai dengan
template
-nya. Untuk mengukur
kedekatan antar
objek yang diperbandingkan
menggunakan rumus jarak
euclidean distance
. f.
Postprocessing
Pada tahap ini, kumpulan aksara Jawa yang diperoleh dari hasil klasifikasi akan diproses lagi untuk dicek apakah sudah sesuai
dengan aturan dalam penulisan aksara atau belum. Jika belum maka akan dibetulkan sesuai dengan kaidah yang berlaku. Jika kata yang
membentuk sudah sesuai dengan aturan penulisan aksara Jawa maka akan dikelompokkan menjadi 2 hingga 3 kata, sesuai dengan
kata yang menyusun nama jalan yang berada di Kota Yogyakarta. g.
Evaluation
Tahap akhir dari pengujian menggunakan data uji adalah melakukan evaluasi terhadap
classifier
dengan menghitung tingkat akurasi yang dihasilkan oleh sistem. Pada tahap ini akan dilakukan
pengujuan dengan 2 macam
test case. Case
pertama data yang diambil dalam kondisi normal, artinya gambar yang diambil dengan
pencahayaan cukup terang dan
angle
sudut pengambalian gambar tegak lurus dengan papan nama jalan.
Case
kedua data yang diambil divariasikan dengan data yang diambil dengan kondisi tidak
normal, artinya gambar diambil dengan pencahayaan mini,gelap dan
angle
sudut pengambilan gambar tidak tegak lurus dengan papan nama jalan. Dari 2
test case
tersebut masing-masing akan dibandingkan hasil akurasinya menggunakan pembagian 4 zona
secara horizontal dan 4 zona secara vertikal-horizontal. Semakin tinggi tingkat akurasi yang dihasilkan maka semakin baik performa
sistem dalam mengklasifikasikan suatu objek. 3.4.5
Perancangan Alat Uji Kebutuhan fungsional dari
prototype
sistem yang akan dibuat adalah sistem mampu menerjemahkan kata dalam aksara Jawa menjadi
tulisan latin.
Input
yang dimasukkan kedalam sistem berupa citra nama jalan beraksara Jawa kemudian akan memberikan
output
berupa terjemahan tulisan latinnya. Sistem dibuat menggunakan
Matlab
sebagai
tool
untuk membangun alat uji. 3.4.6
Implementasi Pada tahap implementasi, tahapan pengolahan data dan
perancangan alat uji akan diimplementasikan menjadi sebuah
code
dengan memanfaatkan
Matlab
sebagai
tools
untuk membuat
prototype
sistem. Sebagai dasar atau alur pemikiran dalam menerjemahkan langkah penelitian menjadi sebuah
code
maka masing-masing tahapan dapat dituliskan menjadi sebuah algoritma
sebagai berikut: a.
Projection Profile Vertical Projection
Step 1: inisialisasi citra masukan inImage adalah berupa citra biner, vert
adalah vektor
hasil vertical
projection Step 2: hitung jumlahan nilai pixel setiap
baris pada masing-masing kolom ke dalam matrik v_proj
Step 3: inisialisasi matrik
bernilai zeros berdimensi 1 x panjang kolom
citra masukan Step 4: lakukan perulangan i=2 sampai panjang
matriks v_proj-1, jika ya lakukan step 5 sampai 7, jika tidak ke step 8
Step 5: Cek apakah v_proj ke i sama dengan 0, jika ya ke step 6, jika tidak ke step
8 Step 6: Cek apakah v_proj ke i+1 tidak sama
dengan 0, jika ya maka objek terletak pada kolom ke i+1, simpan letak objek
ke variable v_line, jika tidak ke step 7
Step 7: Cek apakah v_proj ke i-1 tidak sama dengan 0, jika ya maka objek terletak
pada kolom ke i-1, simpan letak objek ke variable v_line
Step 8: nilai vert sama dengan v_line Step 9: selesai
Horizontal Projection Step 1: inisialisasi citra masukan inImage
adalah berupa citra biner, horz adalah
vektor hasil
horizontal projection
Step 2: hitung jumlahan nilai pixel setiap kolom pada masing-masing baris ke
dalam matrik h_proj Step 3: inisialisasi
matrik bernilai
berdimensi 1 x panjang baris citra masukan
Step 4: lakukan perulangan i=2 sampai panjang matriks h_proj-1, jika ya lakukan
step 5 sampai 7, jika tidak ke step 8 Step 5: Cek apakah h_proj ke i sama dengan 0,
jika ya ke step 6, jika tidak ke step 8
Step 6: Cek apakah h_proj ke i+1 tidak sama dengan 0, jika ya maka objek terletak
pada baris ke i+1, simpan letak objek ke variable h_line, jika tidak ke step
7
Step 7: Cek apakah h_proj ke i-1 tidak sama dengan 0, jika ya maka objek terletak
pada baris ke i-1, simpan letak objek ke variable h_line
Step 8: nilai horz sama dengan h_line Step 9: selesai
b. Ekstraksi ciri ICZ-ZCZ
Step 1: mencari koordinat centroid citra input
Step 2: membagi citra ke dalam n daerah yang sama
Step 3: menghitung jarak centroid dengan pixel citra yang ada pada daerah
tersebut Step 4: hitung rerata jarak pada daerah
tersebut Step 5: ulangi langkah 3-4 sampai semua
daerah yang ada Step 6: cari koordinat centroid untuk setiap
daerah Step 7: menghitung jarak centroid dengan
pixel citra yang ada pada daerah tersebut
Step 8: hitung rerata jarak pada daerah tersebut
Step 9: ulangi langkah 7-8 sampai semua daerah yang ada. Jika sudah lanjut ke
step 10 Step 10: Simpan
hasil perhitungan
jarak sebagai ciri dari objek tersebut
c. Pengukuran jarak antara data uji dengan
template Step 1: inisialisasi variabel temp = selisih
fitur template baris pertama dengan fitur objek
Step 2: hitung jarak pada step 1, simpan ke variabel mind_dist
Step 3: inisialisasi variabel min_idx = 1 Step 4: inisialisasi n
= jumlah template Step 5: lakukan perulangan untuk n=2 sampai
panjang database template, jika ya lakukan step 6 sampai 10, jika tidak
ke step 11 Step 6: inisialisasi temp_2 = selisih fitur
template ke n dengan fitur objek, lalu Step 7: hitung jarak pada step 6, simpan ke
variabel dist Step 8: Jika dist kurang dari min_dist maka ke
step 9, jika tidak ke step 5 Step 9: nilai min_dist sama dengan dist
Step 10: nilai min_idx = n Step 11: selesai
d. Proses
postprocessing Step 1: inisialisai variabel width = panjang
string masukan hasil klasifikasi
Step 2: lakukan perulangan dari i=1 sampai width, lakukan step 4 sampai 10, jika
tidak ke step 11 Step 3: jika i lebih dari 3 dan i kurang dari
width, lakukan step 4, jika tidak ke step 10
Step 4: jika string ke i adalah taling, lanjut ke step 5, jika tidak ke step 6
Step 5: jika string ke i+1 adalah tarung, ubah string terakhir menjadi berakhiran o
Step 6: ubah string string ke i+1 menjadi berakhiran e
Step 7: cek apakah string i+1 adalah pasangan_ha, jika ya maka string ke i
dijadikan konsonan, jika tidak ke step 8
Step 8: cek apakah string i+1 adalah pasangan_sa, jika ya maka string ke i
dijadikan konsonan, jika tidak ke step 9
Step 9: cek apakah string i+1 adalah pasangan_pa, jika ya maka string ke i
dijadikan konsonan, jika tidak ke step 10
Step 10 : gabungkan nilai string ke i ke variabel finalString
Step 11: selesai