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

3.5 Desain Alat Uji

Prototype sistem pengenalan pola kata beraksara Jawa yang akan dibangun memiliki desain interface seperti pada gambar dibawah ini. Gambar 3.5 Desain Interface Sistem Secara garis besar, desain interface sistem pada Gambar 3.3 dibagi menjadi 3 bagian penting, yaitu header untuk meletakkan judul, kemudian body sebagai bagian untuk meletakkan fungsi utama dari sistem dan terakhir footer untuk memberikan informasi tambahan diluar fungsi utama mengenai sistem yang dibuat.

3.6 Pengujian

Testing Pada tahap pengujian, citra nama jalan akan digunakan sebagai input untuk sistem untuk diterjemahkan dari aksara Jawa ke huruf latin. Jumlah pengujian yang dilakukan sebanyak 30 kali yang sesuai dengan jumlah bahan citra yang diperoleh. Dari 30 citra masukan akan dihitung berapa banyak hasil terjemahan yang benar kemudian menghitung tingkat akurasi sistem dalam menerjemahkan aksara Jawa ke huruf latin.

3.7 Pengukuran Akurasi Sistem

Kemampuan sistem dalam menerjemahkan kata dalam bentuk aksara Jawa menjadi tulisan latin harus bisa diukur dengan menghitung nilai akurasinya. Cara mengukur tingkat akurasi yaitu dengan membandingkan objek yang dikenali dengan benar oleh sistem dengan jumlah data testing dikalikan dengan 100 persen. Nilai tingkat akurasi yang tinggi menunjukkan bahwa sistem yang dibuat cukup baik untuk menerjemahkan kata dalam aksara Jawa menjadi tulisan latin. 45

BAB IV HASIL DAN ANALISA

Pada bab ini akan diuraikan masing-masing tahapan dari transliterasi nama jalan beraksara Jawa. Secara umum tahapan yang dikerjakan seperti pada Gambar 3.1 tentang blok diagram yang dibagi menjadi 6 bagian, yaitu data acquisition , preprocessing, feature extraction and selection , classification, postprocessing dan evaluation. Untuk tahapan dalam pembuatan template terdapat sedikit perbedaan yang hanya terdiri dari 4 proses, yaitu setelah proses feature extraction and selection dilanjutkan ke tahap pembuatan database template . 4.1 Data Acquisition Data berupa citra nama jalan yang digunakan pada penelitian ini diambil menggunakan kamera smarthpone dengan resolusi sebesar 4096 x 2304 pixels . Data citra yang diambil sebanyak 130 buah yang dibagi menjadi 100 citra untuk data template dan 30 citra untuk data uji. Waktu pengambilan citra pada waktu pagi atau siang hari dengan pencahayaan cukup terang. Daerah tempat pengambilan citra berada di daerah Kota Yogyakarta. Gambar 4.1 Citra Jalan Pajeksan Gambar 4.1 adalah citra nama Jalan Pajeksan. Citra tersebut diambil pada tanggal 8 April 2017 pada pukul 14:59 WIB. Jarak pengambilan gambar kurang lebih 50 cm dari tiang nama jalan. 4.2 Preprocessing Tahap preprocessing dilakukan untuk mempersiapkan data agar siap untuk diolah untuk tahap selanjutnya ekstraksi ciri. Proses preprocessing ini dibagi menjadi 5 tahapan seperti pada Gambar 3.2 tentang preprocessing modules , yaitu cropping , grayscaling , binarization , image segmentation dan resizing . 4.2.1 Cropping Citra nama jalan yang diperoleh memiliki 2 tulisan, yaitu tulisan berbahasa Indonesia pada bagian atas dan tulisan beraksara Jawa di bagian bawah. Data citra yang akan dipakai pada penelitian ini adalah citra aksara Jawa saja sehingga perlu dilakukan proses pemotongan menggunakan photoshop untuk mendapatkan citra aksara Jawa. Proses pemotongan citra cropping dilakukan untuk semua data yang digunakan sebagai template database maupun sebagai data uji testing . B = imread..Citra nama jalantestingpajeksan.jpg; Gambar 4.2 Pemotongan Citra Jalan Pajeksan Gambar 4.2 merupakan citra hasil cropping pada Gambar 4.1 dengan mengambil bagian citra yang hanya memiliki aksara Jawa saja. Proses cropping dilakukan karena data penelitian yang akan digunakan adalah citra aksara Jawa. Setelah dilakukan proses cropping, maka ukuran citra sekarang menjadi 483 x 2353 pixels . 4.2.2 Grayscaling Data citra yang sudah dipotong kemudian akan kita ambil objek dari citra tersebut aksara Jawa terhadap latar background dengan mengubah citra tersebut menjadi citra abu-abu grayscale lalu diubah lagi menjadi citra hitam-putih binerblack and white . Langkah pertama, yaitu mengubah citra menjadi keabuan grayscale menggunakan fungsi rgb2gray pada Matlab. B = imread..Citra nama jalantestingpajeksan.jpg; im_gray = rgb2grayB; imshowim_gray; Gambar 4.3 Citra Abu-Abu Jalan Pajeksan Gambar 4.3 merupakan representasi dari citra keabuan yang diperoleh dengan mengubah Gambar 4.2. Hal tersebut dapat dibuktikan dengan nilai variabel im_gray yang sebelumnya nilai variabel B adalah 483x2353x3 uint8 menjadi 483x2353 uint8 yang menandakan citra tersebut terdiri dari 1 komponen warna. 4.2.3 Binarization Proses binerisasi binarization merupakan lajutan dari proses grayscaling yang bertujuan untuk mendapatkan objek citra terhadap latar. Untuk mengubah citra abu-abu menjadi citra biner dapat dilakukan dengan menggunakan fungsi im2bw pada Matlab. Dengan melakukan konversi ke citra biner ini maka objek citra dapat dinyatakan sebagai bagian dari citra yang berwarna putih sedangkan bagian latar merupakan bagian dari citra yang berwarna hitam. B = imread..Citra nama jalantestingpajeksan.jpg; im_gray = rgb2grayB; im_bw = im2bwim_gray; imshowim_bw; Gambar 4.4 Citra Biner Jalan Pajeksan Gambar 4.4 merupakan representasi dari citra biner yang diperoleh dengan mengubah citra abu-abu pada Gambar 4.3. Hal tersebut dapat dibuktikan dengan nilai variabel im_gray adalah 483x2353 uint8 menjadi 483x2353 logical yang artinya citra tersebut terdiri dari nilai 1 dan 0. Nilai 1 merepresentasikan warna putih sedangkan nilai 0 merepresentasikan warna hitam. 4.2.4 Image Segmentation Salah satu karakteristik dari penulisan aksara Jawa adalah bersifat sylabic kesukukataan. Satu aksara merupakan satu suku kata yang jika dirangkai bersama dengan aksara yang lain maka membentuk suatu kata ataupun kalimat. Sebelum sampai tahap untuk mengenali terjemahan aksara tersebut tentunya kita harus memisahkan antar suku kata yang menyusunnya. Setelah dapat kita pisahkan selanjutnya kita bisa melakukan proses pengenalan pada masing-masing suku kataaksara tersebut. Input yang dipakai dalam proses segmentasi adalah citra biner hitam-putih. Objek citra yang berwarna putih merupakan representasi dari aksara yang akan dipisahkan satu per satu terhadap keseluruhan aksara yang ada. Cara untuk memisahkan masing-masing aksara adalah menggunakan projection profile . function [ vert ] = verProj inImage ... v_proj = suminImage,1; for i=2 : v_length-1 if v_proji==0 if v_proji+1~=0 v_linec = x_vali+1; elseif v_proji-1~=0 v_linec = x_vali-1; end else function [ horz ] = horzProj inImage ... h_proj = suminImage,2; for i=2 : h_length-1 if h_proji==0 if h_proji+1~=0 h_linec = y_vali+1; else if h_proji-1~=0 h_linec = y_vali-1; end else