Aplikasi Android untuk Pengenalan Citra Karakter Jepang dengan Library Tesseract

APLIKASI ANDROID UNTUK PENGENALAN CITRA KARAKTER
JEPANG DENGAN LIBRARY TESSERACT

HANNY RINDIANI

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Aplikasi Android untuk
Pengenalan Citra Karakter Jepang dengan Library Tesseract adalah benar karya
saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk
apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau
dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah
disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir
skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.
Bogor, Desember 2014
Hanny Rindiani
NIM G64124072

ABSTRAK
HANNY RINDIANI. Aplikasi Android untuk Pengenalan Citra Karakter Jepang
dengan Library Tesseract. Dibimbing oleh KARLINA KHIYARIN NISA.
Bahasa Jepang merupakan salah satu bahasa yang sulit untuk dipelajari
karena penulisannya yang relatif rumit dan memiliki tiga jenis penulisan yaitu
hiragana, katakana, dan kanji. Pada penelitian ini sistem pengenalan karakter
Jepang berbasis Android dirancang untuk mengenali citra karakter Jepang dan
menerjemahkannya menjadi bahasa Indonesia menggunakan library Tesseract
OCR (Optical Character Recognition). OCR adalah teknik untuk mengubah teks
non digital menjadi teks digital atau secara harfiah dapat diartikan sebagai
pengenalan karakter optik. Pada penelitian ini terdapat 5 kebutuhan fungsional
pengguna yaitu mengambil gambar dengan kamera, mengambil gambar dari
galeri, melakukan konversi dari citra ke teks, mengedit teks Jepang hasil OCR,
dan menampilkan hasil terjemahan teks Jepang. Berdasarkan 10 sampel karakter
Jepang yang telah diuji, nilai akurasi yang di dapat dari pengujian gambar dari

kamera sekitar 80% dan gambar dari galeri 94%. Selain itu pegujian aplikasi
menggunakan kuesioner mencapai 91%. Dengan demikian aplikasi ini diharapkan
mampu mengenali citra karakter Jepang dan menerjemahkannya ke dalam bahasa
Indonesia sesuai kebutuhan pengguna.
Kata Kunci: Jepang, Indonesia, Android, Tesseract OCR, Gambar, Teks.

ABSTRACT
HANNY RINDIANI. Android Application for Japanese Character Recognition
Image with Library Tesseract. Supervised by KARLINA KHIYARIN NISA.
Japanese is one of difficult language to learn because the writing is
relatively complicated and it has three kind of writing hiragana, katakana, and
kanji. In this study, the Japanese character recognition system based on Android is
designed to recognize Japanese character image and translate it into Indonesian
using the library Tesseract OCR (Optical Character Recognition). OCR is a
technique to convert non digital text into digital text or literally be interpreted as
optical character recognition. In this study there were five functional requirements
taking a picture with a camera, taking pictures form gallery, the conversion from
image to text, text editing of Japanese character form OCR results, and display the
results of Japanese text translations. Based on 10 samples of Japanese characters
that have been tested, the accuracy values obtained from the test image from the

camera around 80% and 94% image from the gallery. Besides test of applications
using the questionnaire reached 91%. Thus this application is expected to be able
to recognize the image of Japanese characters and translate them into Indonesian
according to user needs.
Keywords : Japanase, Indonesian, Android, Tesseract OCR, Image, Text.

APLIKASI ANDROID UNTUK PENGENALAN CITRA KARAKTER
JEPANG DENGAN LIBRARY TESSERACT

HANNY RINDIANI

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR

BOGOR
2015

Penguji:

1 Rina Trisminingsih, S.Komp., MT
2 Auzi Asfarian, S.Komp., M.Kom

Judul Skripsi : Aplikasi Android untuk Pengenalan Citra Karakter Jepang dengan
Library Tesseract
Nama
: Hanny Rindiani
NIM
: G64124072

Disetujui oleh

Karlina Khiyarin Nisa, S.Komp, M.T
Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom
Ketua Departemen

Tanggal Lulus:

PRAKATA
Alhamdulillahi rabbil' alamin, puji syukur penulis panjatkan ke hadirat
Allah subhanahu wa Ta'ala atas berkat, rahmat, taufik, dan hidayah-Nya sehingga
penyusunan skripsi yang berjudul Aplikasi Android untuk Pengenalan Citra
Karakter Jepang dengan library Tesseract dapat diselesaikan dengan baik.
Sholawat serta salam semoga selalu tercurahkan kepada Nabi Muhammad
shalallahu 'alaihi wassalam beserta keluarga, sahabat, dan para pengikutnya yang
telah memberikan contoh dalam meraih kebahagiaan di dunia dan akhirat.
Terima kasih penulis ucapkan kepada orang tua penulis, ayahanda tercinta
Johan Anshory Herklots, SE yang selalu menjadi inspirasi kebijaksanaan dalam
tutur dan laku penulis. Ibunda Anita Leni, yang tak pernah lelah memberikan
motivasi wejangan, do’a, cinta, kasih sayang dalam mendidik. Dosen pemimbing
Ibu Dr Karlina Khiyarin Nisa, S.Kom, M.T atas waktu, ilmu, kesabaran, nasihat,

dan masukan yang selalu diberikan selama pengerjaan tugas akhir ini. Bapak Auzi
Asfarian, S.Komp., M.Kom dan Ibu Rina Trisminingsih, S.Komp., M.T selaku
penguji atas waktu, masukan, dan koreksinya. Serta teman-teman Ilmu Komputer
alih jenis angkatan 7 atas pengalaman berbagi ilmu serta atas kebersamaan dan
dukungannya selama penulis menjalani waktu di Departemen Ilmu Komputer
IPB.
Penulis menyadari bahwa karya tulis ini masih jauh dari sempurna karena
keterbatasan pengalaman dan pengetahuan yang dimiliki penulis. Oleh karena itu,
penulis mengharapkan saran dan kritik yang dapat digunakan untuk perbaikan di
masa-masa yang akan datang.
Bogor, Desember 2014
Hanny Rindiani

DAFTAR ISI
DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vi

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

1

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

TINJAUAN PUSTAKA
Pengenalan Karakter Jepang

2
2

Hiragana

2

Katakana

3

Kanji

3

Optical Character Recognition (OCR)

4

Proses Pengenalan Karakter

4

Image Preprocessing

5

Segmentation

5

Word Recognition

7

Tesseract OCR Engine

8

Unified Modelling Language

8

Pengujian Usabilitas

8

METODE

9

Analisis Kebutuhan

10

Desain Sistem

10

Implementasi

10

Pengujian dan Evaluasi

11

HASIL DAN PEMBAHASAN
Analisis Kebutuhan

11
11

Desain Sistem

11

Proses Terjemahan

13

Rancangan Antarmuka Pengguna

13

Implementasi

14

Pengujian dan Evaluasi

15

Kesimpulan Hasil Evaluasi

18

Evaluasi Usabilitas

19

SIMPULAN DAN SARAN

21

Simpulan

21

Saran

21

DAFTAR PUSTAKA

22

LAMPIRAN

23

RIWAYAT HIDUP

38

DAFTAR TABEL
1 Nilai Kuesioner
2 Rancangan Antarmuka
3 Hasil Implementasi Sistem
4 Hasil Pengujian Dengan Metode Black Box
5 Skenario Pengujian Setiap Data Uji
6 Skenario Pengujian Setiap Kategori
7 Hasil Pengujian
8 Hasil Pengujian Setiap Karakter
9 Task Usabilitas
10 Kuesioner

9
13
15
15
16
16
17
18
19
19

DAFTAR GAMBAR
1 Huruf Hiragana (Das dan Banerjee 2014)
2 Katakana (Das dan Banerjee 2014)
3 Kanji (Das dan Banerjee 2014)
4 Proses Pengenalan Karakter
5 Tahap Image Preprocessing
6 Proses Pencarian Online
7 Tahap Line Finding
8 Tahap Baseline Fitting Algorithm
9 Tahap Fixed Pitch Detection
10 Kandidat Titik Pemotongan
11 Hasil normalisasi baseline dan moment
12 Simbol UML
13 Use Case Diagram
14 Activity Diagram Mengambil Gambar dengan Kamera
15 Activity Diagram Mengambil Gambar dari Galeri

3
3
4
4
5
6
6
6
7
7
8
8
11
12
12

DAFTAR LAMPIRAN
1 Hasil Pengujian Karakter Jepang
2 Lembar Kuesioner
3 Lembar Hasil Kuesioner

23
35
37

1

PENDAHULUAN
Latar Belakang
Bahasa merupakan alat komunikasi yang penting bagi manusia, karena
dengan bahasa kita dapat mengetahui informasi yang kita butuhkan. Pada saat ini
masyarakat sudah mulai tertarik untuk mempelajari bahasa-bahasa asing di luar
bahasa mereka sendiri, mulai dari bahasa Jepang, Inggris, Perancis, Jerman,
Mandarin dan lain-lain. Akan tetapi sekarang ini penelitian untuk bahasa latin
sudah mulai berkurang, yang sedang tren saat ini adalah bahasa oriental seperti
Mandarin, Jepang, dan Korea. Bahasa Jepang merupakan salah satu bahasa yang
sulit untuk dipelajari karena penulisannya yang relatif rumit dan memiliki tiga
jenis penulisan yaitu hiragana, katakana, dan kanji.
Dalam proses pembelajarannya, untuk mengenali terjemahan karakter
bahasa Jepang yang kita jumpai cukup sulit. Hal ini dikarenakan proses
menterjemahkan memerlukan masukan berupa teks dengan karakter bahasa
Jepang. Untuk mengatasi masalah pengetikan karakter, maka teknik optical
character recognition (OCR) dapat dimanfaatkan. OCR adalah teknik untuk
mengubah teks non digital menjadi teks digital atau dapat diartikan sebagai
pengenalan karakter optik.
Teknologi perangkat mobile Android merupakan teknologi yang sedang
berkembang pesat di Indonesia dengan peningkatan sebanyak 189% dari bulan
mei 2012 ke bulan mei 2013 [1]. Android merupakan sistem operasi mobile phone
open source yang berbasis Linux menggunakan bahasa pemograman Java.
Pada penelitian ini akan dibangun aplikasi berbasis Android untuk
pengenalan citra karakter Jepang dan menterjemahkannya ke dalam bahasa
Indonesia. Tidak seperti aplikasi android untuk menerjemahkan bahasa Jepang
lain, pada aplikasi ini pengguna tidak diharuskan memberi masukan berupa teks,
sebagai alternatif lainnya, pengguna dapat memberi masukkan terhadap aplikasi
berupa citra yang mengandung karakter bahasa Jepang. Pada proses pengenalan
karakter ini diperlukan suatu library OCR open source, yaitu Tesseract. Mesin
OCR yang berbasis bahasa pemrograman C/C++ ini akan diterapkan pada
platform Android dengan menggunakan bahasa pemograman Java. Menurut
Smith (2007), Tesseract OCR Engine memberikan hasil baik untuk tiap karakter
dengan rata-rata tingkat kesalahan hanya mencapai 3,77%. Proses penerjemahan
dilakukan secara online menggunakan Microsoft translator. Serta melakukan
pengujian usability
dan kuesioner yang meliputi learnability, efficiency,
memorability, errors, dan satisfaction.

Perumusan Masalah
Adapun perumusan masalah yang akan dibahas pada penelitian ini adalah sebagai
berikut:
1. Bagaimana Tesseract OCR dapat diterapkan dalam pengenalan citra
karakter Jepang untuk platform Android?
2. Seberapa akurat program aplikasi dalam mengenali karakter Jepang?
3. Seberapa baik usabilitas sistem?

2

Tujuan Penelitian
Tujuan dari penelitian ini adalah:
1. Menghasilkan suatu program aplikasi mobile yang dapat digunakan untuk
mengenali citra karakter Jepang kemudian menerjemahkannya ke dalam
bahasa Indonesia.
2. Mengetahui seberapa akurat Tesseract OCR dapat mengenali citra karakter
Jepang.
3. Mengevaluasi usabilitas aplikasi melalu kuesioner ke pengguna dengan
menggunakan metode black box.
Manfaat Penelitian
Manfaat yang dapat diperoleh dari hasil penelitian ini adalah dapat
membantu masyarakat mengenali karakter Jepang dalam bentuk non-digital ke
bentuk digital dalam suatu aplikasi yang mudah dibawa ke mana saja.

Ruang Lingkup Penelitian
Lingkup dari penelitian ini adalah:
1. Pengenalan karakter Jepang dilakukan pada citra yang diambil
menggunakan kamera, namun bukan tulisan tangan.
2. Input citra harus berupa ekstensi gambar yang didukung oleh Android dan
Tesseract OCR, yaitu .jpeg, .gif, .png dan .bmp.

TINJAUAN PUSTAKA
Pengenalan Karakter Jepang
Bahasa Jepang adalah salah satu bahasa yang paling unik di dunia. Hal
tersebut dikarenakan dalam metode penulisannya menggabungkan berbagai
macam bentuk huruf. Huruf-huruf tersebut adalah hiragana, katakana dan kanji
(Das dan Banerjee 2014). Setiap jenis huruf atau karakter tersebut memiliki fungsi
dan peranan tersendiri. Penulisan dalam bahasa Jepang menggabungkan
huruf/karakter sebagai berikut :
Hiragana
Hiragana adalah kumpulan simbol-simbol yang dapat dikatakan mewakili
alfabet dalam bahasa Jepang. Sekitar abad ke-9 huruf hiragana dari 46 karakter
dasar. Hiragana juga biasanya digunakan oleh anak-anak di sekolah dasar atau
orang-orang yang memiliki pengetahuan huruf kanji yang masih terbatas (Das dan
Banerjee 2014). Macam-macam huruf hiragana dapat dilihat pada Gambar 1.

3

Gambar 1 Huruf Hiragana (Das dan Banerjee 2014)
Katakana
Jenis huruf yang digunakan untuk kata-kata serapan yang berasal dari
bahasa asing (Das dan Banerjee 2014). Macam huruf katakana dapat dilihat pada
Gambar 2

Gambar 2 Katakana (Das dan Banerjee 2014)
Kanji
Kanji adalah seperangkat simbol yang berasal dari sistem penulisan bahasa
Cina. Masing-masing simbol tersebut mewakili satu atau lebih suku kata
didalamnya, namun tidak seperti hanya mengeja kata, simbol-simbol ini juga
memiliki makna sendiri. Bahkan jika ada dua kata yang dieja memiliki sama
bunyi dan dengan makna yang berbeda, maka kanji yang digunakannya pun akan
berbeda (Das dan Banerjee 2014). Macam huruf kanji dapat dilihat pada Gambar
3.

4

Gambar 3 Kanji (Das dan Banerjee 2014)
Optical Character Recognition (OCR)
Optical Character Recognition (OCR) merupakan konversi scan gambar
dari teks atau simbol dicetak (seperti halaman dari buku) menjadi teks atau
informasi yang dapat dipahami atau diedit menggunakan program komputer
(Smith et al. 2009). Gambar yang dimaksud yaitu gambar yang berisi karakter,
teks, atau simbol yang akan diproses, dikenali kemudian dikonversi ke dalam
bahasa Indonesia.
Proses Pengenalan Karakter
Proses pengenalan karakter Jepang dalam penelitian ini menggunakan
library Tesseract OCR. Proses pengenalan karakter Jepang menggunakan
Tesseract OCR dapat dilihat pada Gambar 4.

Gambar 4 Proses Pengenalan Karakter

5

Proses pengenalan karakter yang dilakukan oleh OCR terdiri dari beberapa
tahap, yaitu image preprocessing, segmentation, dan word recognition.
Image Preprocessing
Image preprocessing merupakan tahap awal untuk mengubah gambar
berwarna menjadi biner. Image preprocessing terdiri atas 3 proses yaitu
grayscaling, smoothing, thresholding.
1. Grayscaling
Grayscaling merupakan proses mengubah gambar berwarna menjadi
gambar yang hanya memiliki derajat keabuan. Pada proses pengubahan,
output dalam tahap ini akan digunakan untuk binerisasi gambar. Program
akan melakukan pengulangan untuk grayscaling gambar per piksel sebesar
ukuran panjang dan lebar gambar.
2. Smoothing
Selanjutnya dilakukan smoothing, yaitu proses pemulusan gambar untuk
mengurangi noise. Smoothing dilakukan dengan Gaussian blur dengan
matriks konvolusi 3x3.
3. Thresholding
Thresholding merupakan suatu proses memisahkan background dengan
objek yang ingin diamati dengan mengubah gambar menjadi hitam putih.
Pada tahap ini thresholding dapat mengubah gambar berwarna maupun
grayscale menjadi binary image dengan mengubah masing-masing pixel
dalam kisaran tertentu. Gambar 5 menunjukkan tahap Image
Preprocessing pada citra teks.

Gambar 5 Tahap Image Preprocessing
Segmentation
Setelah tahap image preprocessing selesai, tahap selanjutnya adalah
segmentation. Pada tahap segmentation terdapat 4 proses yaitu connected
component labeling, line finding, baseline fitting, dan non fixed pitch detection.
1. Connected Component Labeling
Proses untuk mendeteksi component-component karakter yang saling
terhubung. Pada proses ini Tesseract melakukan pencarian sepanjang citra
kemudian mengidentifikasi piksel latar depan atau outline, proses
segmentasi akan terus dilakukan sampai semua piksel terluar ditandai
sebagai outline karakter. Outline dari setiap karakter akan dikumpulkan

6

menjadi blob (Smith 2007). Proses pencarian outline dapat dilihat pada
Gambar 6.

Gambar 6 Proses Pencarian Online
2. Line Finding
Merupakan algoritma untuk mencari baris pada teks. Pada Tesseract,
algoritma line finding dirancang supaya halaman miring dapat dikenali
tanpa harus melakukan deskew (proses untuk mengubah halaman yang
miring menjadi tegak lurus) sehingga tidak menurunkan kualitas gambar
(Smith 2007). Pada tahap ini pencarian baris pada teks dilakukan
menggunakan blob filtering dan line construction.

Gambar 7 Tahap Line Finding
3. Baseline Fitting
Setelah baris teks telah ditemukan, garis pangkal (baseline) dicocokan
secara lebih tepat menggunakan quadratic spline. Quadratic spline
merupakan metode untuk menghasilkan titik pada sebuah rentang data
yang telah diketahui sebelumnya. Quadratic spline menggunakan
polinomial dengan degree rendah sehingga mampu membentuk garis
dengan halus. Gambar 8 menunjukkan hasil proses baseline fitting pada
citra teks.

Gambar 8 Tahap Baseline Fitting Algorithm
4. Fixed Pitch Detection
Tahap selanjutnya Tesseract memperkirakan lebar karakter yang dideteksi.
Tahap ini mendeteksi karakter yang memiliki lebar tetap. Bila karakter
berhasil dideteksi, selanjutnya Tesseract melakukan chopping
(pemotongan) karakter sehingga karakter pada teks menjadi terpotongpotong (Smith 2007). Potongan ini yang selanjutnya akan diklasifikasikan.
Gambar 9 menunjukkan hasil tahapan fixed pitch detection pada citra teks.

7

Gambar 9 Tahap Fixed Pitch Detection
5. Non Fixed Pitch Detection
Bila teks yang digunakan tidak memiliki lebar garis tepi tetap, Tesseract
akan melakukan algoritma non fixed pitch detection dengan cara mengukur
batasan kesenjangan antara base line dengan mean line (garis tengah).
Ruang pada citra yang mendekati nilai threshold akan diklasifikasikan
dengan fuzzy sehingga akan ditentukan sebagai bagian fitur yang akan
dikenali ataupun tidak (Smith 2007).
5.1 Chopping Characters
Pada tahap ini kandidat untuk titik-titik pemisahan ditemukan dari
simpul cekung, poligonal outline dan titik cekung yang berlawanan.

Gambar 10 Kandidat Titik Pemotongan
Pada Gambar 10 menunjukkan kumpulan kandidat titik pemisahan
dengan panah dan pemotongan terpilih sebagai sebuah garis melewati
outline. Pemotongan dilakukan sesuai dengan urutan prioritas. Setiap
pemotongan yang gagal tidak sepenuhnya dibuang tetapi disimpan
oleh associator sehingga jika pemotongan dapat digunakan kembali
jika dibutuhkan (Smith 2007).
Word Recognition
Setelah tahap segmentation selesai dilakukan, tahap selanjutnya adalah
word recognition. Word recognition merupakan proses pengenalan karakter.
Tesseract melakukan ekstraksi topological fitur sebagaimana yang dilakukan oleh
(Shillman et al. 1974) dengan aproksimasi segmen poligon (Smith 1987).
Klasifikasi adaptif akan membandingkan fitur citra, yaitu hasil normalisasi
baseline dan moment, dengan data training. Klasifikasi dilakukan dengan mencari
kombinasi jarak terbaik dari data training dan data uji. Tesseract menyediakan
data training yang dapat diunduh sesuai jenis bahasa. Gambar 11 menunjukkan
citra karakter yang telah dinormalisasi pada baseline dan moment untuk
selanjutnya diklasifikasikan.

8

Gambar 11 Hasil normalisasi baseline dan moment
Tesseract OCR Engine
Tesseract OCR Engine merupakan mesin open source untuk pengenalan
karakter yang dapat digunakan oleh berbagai sistem operasi. Mesin OCR
dikembangkan di Hewlett-Packard (HP) pada tahun 1984 dan 1994 (Smith 2007).
Kemudian di tahun 2005, Tesseract dikembangkan menjadi open source oleh HP
dan UNLV. Tesseract OCR Engine memberikan hasil baik untuk tiap karakter
dengan rata-rata tingkat kesalahan hanya mencapai 3,77% atau dengan kata lain
96,33% mampu mengenali karakter-karakter dengan baik (Smith 2007).
Unified Modelling Language
Menurut Wohed et al. (2005) UML adalah bahasa visual untuk
menganalisis dan mendesain sebuah sistem berorientasi objek. Keunggulan utama
yang dimiliki pemodelan ini adalah kemampuannya dalam memodelkan
menyerupai kehidupan nyata, sehingga sistem yang dihasilkan mempunyai
kelebihan seperti sifat lebih natural, karena umumnya manusia berfikir dalam
bentuk objek, pembuatan sistem memakan waktu lebih cepat, dan memudahkan
dalam proses pemeliharaa sistem, karena jika ada kesalahan, perbaikan hanya
dilakukan pada bagian tersebut, tidak perlu mengurutkan dari awal. Gambar 12
merupakan simbol yang terdapat pada UML.

Gambar 12 Simbol UML
Pengujian Usabilitas
Usabilitas diartikan sebagai proses optimasi interaksi antara pengguna
dengan sistem yang dapat dilakukan dengan interaktif, sehingga pengguna
mendapatkan informasi yang tepat atau menyelesaikan suatu aktivitas pada
aplikasi tersebut dengan lebih baik. Agar suatu aplikasi menjadi efektif, efisien
dan dapat memberikan kepuasan kepada pengguna, maka aplikasi tersebut harus
dapat memberikan kesempatan kepada pengguna untuk menyelesaikan

9

aktivitasnya pada aplikasi tersebut sebaik mungkin (Nielsen 2012). Ada 5 aspek
yang harus dipenuhi agar suatu sistem mencapai tingkat usabilitas yang ideal,
yaitu:
1. Learnability
Mengukur kemudahan penggunaan aplikasi oleh pengguna untuk pertama kali.
2. Efficiency
Aplikasi yang efisien dapat menyajikan informasi dengan cepat.
3. Memorability
Ukuran bagi pengguna, sehingga aplikasi akan mudah diingat. Bila aplikasi
banyak dilakukan perubahan, maka pengguna akan memerlukan waktu untuk
menyesuaikan dan mempelajarinya kembali.
4. Errors
Mendefinisikan berapa banyak kesalahan-kesalahan apa saja yang dibuat
pengguna, kesalahan yang dibuat pengguna mencangkup ketidaksesuaian apa
yang pengguna pikirkan dengan apa yang sebenarnya disajikan oleh sistem.
5. Satisfaction
Kepuasan pengguna ketika menggunakan aplikasi atau tanggapan terhadap
desain aplikasi secara keseluruhan.
Usabilitas disesuaikan dengan sekumpulan pertanyaan-pertanyaan secara
spesifik yang disajikan dalam urutan tertentu dengan menggunakan format
tertentu dan dengan aturan tertentu untuk menghasilkan pengukuran berdasarkan
jawaban responden.
Kuesioner dirancang menggunakan bahasa yang mudah dimengerti oleh
pengguna. Kepuasan pengguna diukur menggunakan skala Likert 1 sampai 5
untuk membantu pengguna mengekspresikan kepuasan mereka terhadap aplikasi.
Nilai kuesioner dilihat pada Tabel 1.
Tabel 1 Nilai Kuesioner
PK

STS

TS

RR

S

SS

Nilai

1

2

3

4

5

Keterangan:
SS= Sangat Setuju
S=Setuju

RR=Ragu-ragu
TS=Tidak Setuju

STS=Sangat Tidak Setuju

METODE
Tahapan dalam penelitian ini metode pengembangan yang digunakan
adalah metode Waterfall. Metode Waterfall adalah suatu proses pengembangan
perangkat lunak berurutan, di mana kemajuan dipandang sebagai terus mengalir
ke bawah (seperti air terjun) melewati analisa kebutuhan, desain sistem,
implementasi (konstruksi), pengujian dan evaluasi (Pressman dan Roger 2001).

10

Analisis Kebutuhan
Kebutuhan user dikumpulkan untuk mulai merancang sistem. Batasanbatasan harus secara jelas diperoleh agar tidak terjadi kesalahan ketika
implementasi berlanjut ke tahap selanjutnya.
Desain Sistem
Dalam tahap ini sistem dirancang menggunakan Tesseract OCR engine.
Tesseract merupakan mesin Optical Character Recognition (OCR) open source
yang dapat digunakan oleh berbagai sistem operasi. Optical Character
Recognition (OCR) adalah suatu proses mengkonversi gambar menjadi teks.
Gambar yang dimaksud yaitu gambar yang berisi karakter, teks, atau simbol yang
akan diproses, dikenali kemudian dikonversi ke dalam bahasa Indonesia. Sebelum
karakter pada gambar dapat dikenali, gambar tersebut harus terlebih dahulu
dilakukan preprocessing. Preprocessing pada gambar meliputi grayscaling,
smoothing, dan tresholding. Setelah presprocessing selesai dilakukan, maka tahap
selanjutnya ialah segmentasi. Segmentasi digunakan untuk memisahkan area-area
pengamatan dari setiap karakter yang ingin dikenali, seperti memisahkan kalimat
dalam kata-kata dan memisahkan kata ke dalam karakter-karakter. Tahap terakhir
pada OCR adalah word recognition atau pengenalan kata, yang melakukan proses
adaptive clasiffier. Pada tahap ini algoritme akan membandingkan ciri-ciri fitur
yang ingin dikenali untuk mencari data dengan kemiripan paling besar.
Implementasi
Pada tahap ini, seluruh kebutuhan diterjemahkan ke dalam bahasa
pemrograman. Pembuatan modul dipecah menjadi bagian yang lebih kecil yang
nanti akan digabungkan menjadi satu kesatuan. Dalam tahapan ini dilakukan
pemeriksaan apakah kebutuhan telah terpenuhi.
Perangkat keras yang digunakan tahap pengembangan sistem adalah:
1. Samsung Galaxy Core 2 dengan Sistem Operasi Android Kitkat v4.4.2
dengan versi kernel 3.10.17-2173740.
2. Kamera 5 MP, 2592 х 1944 pixels, autofocus, LED flash
3. Ruang penyimpanan memori internal 4 GB, dan microSD 16 GB.
4. A-GPS support.
5. TFT capacitive touchscreen, 480 x 800 pixels, 4.5 inci.
6. Quad-core 1.2 GHz.
7. MacBook Pro 13 inchi
8. Prosesor Intel Core i5 dual-core 2,9 GHz
9. Memori DDR3 1600 MHz sebesar 4 GB
Perangkat Lunak yang digunakan dalam pengembangan sistem adalah:
1. Eclipse Juno ADT sebagai lingkungan pengembangan aplikasi.
2. Android SDK untuk library Android.

11

3. Tesseract OCR sebagai library untuk mengenali citra karakter Jepang menjadi
sebuah teks. Tesseract juga menyediakan data training untuk jenis karakter
Jepang yang dipakai dalam sistem.
4. Microsoft Translator sebagai library untuk menterjemahkan teks Jepang ke
Bahasa Indonesia.
Pengujian dan Evaluasi
Tahap ini dilakukan ketika sistem telah selesai dikembangkan, tetapi
masih ada kemungkinan untuk disempurnakan lagi dengan cara kembali ke
tahapan sebelumnya. Tahap ini memastikan apakah masih terdapat kesalahan atau
tidak dalam pembuatan sistem. Sedangkan proses evaluasi dilakukan dengan cara
memberikan kuisioner terhadap pengguna smartphone yang menggunakan sistem
operasi Android.

HASIL DAN PEMBAHASAN
Analisis Kebutuhan
Pada tahap ini dilakukan analisis terhadap kebutuhan pengguna. Use case
diagram (Jacobson et al. 1992) memodelkan interaksi client dengan sistem pada
tingkat paling tinggi. Dari proses analisis kebutuhan didapatkan usecase diagram
yang dapat dilihat pada Gambar 13. Pada usecase terdapat 5 kebutuhan fungsional
pengguna yaitu mengambil gambar, mengambil gambar dengan kamera,
mengambil gambar dari galeri, melakukan konversi dari citra ke teks, mengedit
teks Jepang hasil OCR, dan menampilkan hasil terjemahan OCR.

Gambar 13 Use Case Diagram
Desain Sistem
Jepang

Penelitian ini menghasilkan aplikasi Android pengenalan citra karakter
menggunakan library Tesseract. Alur kerja dari sistem ini

12

direpresentasikan oleh diagram aktivitas yang dapat dilihat pada Gambar 14 dan
Gambar 15.

Gambar 14 Activity Diagram Mengambil Gambar dengan Kamera

Gambar 15 Activity Diagram Mengambil Gambar dari Galeri

13

Ketika user masuk ke dalam aplikasi, terdapat tombol untuk mengambil
gambar. User diberikan pada 2 pilihan yaitu mengambil gambar dan mengambil
dari galeri. User dapat memilih untuk mengambil gambar secara lansung dengan
kamera maupun mengambil gambar yang sudah tersedia di galeri. Setelah
memilih gambar proses selanjutnya adalah gambar di proses oleh OCR untuk
merubah gambar menjadi teks. Karakter Jepang yang sudah diubah dalam bentuk
tulisan kemudian di terjemahkan ke dalam bahasa Indonesia.
Proses Terjemahan
Setelah tahap pengenalan karakter OCR selesai dilakukan, maka tahap
selanjutnya adalah proses menerjemahkan bahasa Jepang ke dalam bahasa
Indonesia. Untuk menerjemahkan bahasa Jepang ke dalam bahasa Indonesia
digunakan library Microsoft translator. Microsoft translator menggunakan hasil
teks OCR dengan menentukan bahasa asal dan bahasa tujuan. Dalam penelitian
ini, bahasa asal yang ditetapkan adalah bahasa Jepang sedangkan bahasa tujuan
adalah bahasa Indonesia. Ketiga parameter tersebut dikirim ke service Microsoft
translator. Parameter yang dimaksud adalah teks OCR, bahasa asal dan bahasa
tujuan. Service tersebut akan mencocokkan teks OCR dengan kamus bahasa,
kemudian mengirimkan hasil translate kepada client.
Rancangan Antarmuka Pengguna
Tabel 2 Rancangan Antarmuka
Halaman Utama

Mengambil Gambar

Mengambil Gambar
dengan Kamera

14

Mengambil gambar dari
galeri

Hasil OCR

Menerjemahkan ke dalam
bahasa Indonesia

Implementasi
Pada tahap implementasi menghasilkan program yang dapat
menterjemahkan karakter Jepang menjadi bahasa Indonesia dari gambar menjadi
tulisan. Halaman utama ketika user masuk ke dalam menu aplikasi, user diberikan
pada 2 pilihan untuk mengambil gambar dengan kamera atau memilih gambar
karakter Jepang yang terdapat pada galeri. Pada saat pengguna memilih untuk
mengambil gambar dengan kamera maka pengguna akan langsung terhubung
dengan kamera untuk mengambil gambar. Sedangkan jika user ingin mengambil
gambar dari galeri, maka user akan terhubung ke galeri pada handphone yang
digunakan.
Gambar yang ditangkap oleh kamera akan tersimpan di memori card
handphone kemudian Tesseract OCR engine akan memproses gambar menjadi
teks. Setelah karakter Jepang di kenali oleh OCR, maka karakter akan di
tampilkan kemudian user menilai apakah hasil Tesseract OCR sudah sesuai dengan
karakter Jepang yang diinginkan atau tidak. Jika belum sesuai makan user dapat
mereset kembali sampai karakter Jepang dapat dikenali oleh Tesseract OCR.
Kemudian karakter Jepang diterjemahkan ke dalam bahasa Indonesia dan ditampilkan
hasilnya. Hasil implementasi aplikasi dapat dilihat pada Tabel 3.

15

Tabel 3 Hasil Implementasi Sistem
Halaman utama

Mengambil gambar

Mengambil gambar dengan
kamera

Mengambil gambar dari
galeri

Hasil OCR

Menerjemahkan ke dalam
bahasa Indonesia

Pengujian dan Evaluasi
Berdasarkan hasil pengujian black box (Khan 2012), sistem menunjukan
bahwa seluruh fungsi yang ada pada aplikasi ini telah berjalan dengan baik. Tabel
4 menunjukkan hasil pengujian terhadap fungsi yang terdapat pada sistem ini.
Tabel 4 Hasil Pengujian Dengan Metode Black Box
No. Nama Fungsi

Hasil

1.
2.
3.
4.
5.

Sukses
Sukses
Sukses
Sukses
Sukses

Mengambil gambar dengan kamera
Memilih gambar dari galeri
Menampilkan karakter Jepang
Menampilkan terjemahan bahasa Indonesia
Mereset aplikasi

16

Skenario pengujian
Dari penelitian yang dibahas harus mampu menjawab beberapa pertanyaan, antara
lain:
1. Apakah intensitas cahaya berpengaruh pada akurasi OCR?
2. Apakah fokus berpengaruh pada akurasi OCR?
3. Apakah kemiringan pada saat pengambilan citra berpengaruh pada akurasi
OCR?
4. Apakah penulisan karakter secara vertikal berpengaruh pada akurasi OCR?
5. Apakah jarak pengambilan gambar pada kamera berpengaruh pada akurasi
OCR
Berikut skenario pengujian setiap data uji dan kategori, dapat dilihat pada Tabel 5
dan Tabel 6.
Tabel 5 Skenario Pengujian Setiap Data Uji
Kategori
No.

Pengujian

1
2
3
4
5
6
7
8
9
10

Normal
Intensitas
Cahaya
Fokus (Blur)
Kemiringan
Vertikal
Jarak

Intensitas
Cahaya
Normal
Terang
Normal
Redup
Normal
Normal
Normal
Normal
Normal
Normal

Fokus

Kemiringan

Fokus
Fokus
Fokus
Fokus
Blur
Fokus
Fokus
Fokus
Fokus
Fokus

0°
0°
0°
0°
0°
30°
60°
0°
< 15 cm
> 15 cm

Akurasi tiap data uji =

Akurasi(%)
Kamera Galeri
a/b
a/b
a/b
a/b
a/b
a/b
a/b
a/b
a/b
a/b

a/b
a/b
a/b
a/b
a/b
a/b
a/b
a/b
-

x 100%

a=karakter yg benar
b=semua karakter
Tabel 6 Skenario Pengujian Setiap Kategori
Pengujian

Kategori
Terang

Intensitas Cahaya

Normal
Redup

Kamera
Lampu putih 15W
(jarak lampu
kurang dari
20cm)
Lampu putih 15W
(jarak lampu + 2
meter)
Lampu kuning
10W

Galeri
Brightness = 50
(microsoft office
picture manager)
Brightness = 0
Brightness = -50
(microsoft office

17

Fokus

Fokus
Blur
0°

30°

Kemiringan
60°

< 15 cm

Jarak
> 15 cm

Menunggu fokus
Langsung ambil
tanpa menunggu
fokus
Posisi kamera
sejajar dengan
karakter terhadap
citra
Posisi kamera
miring 30° dengan
karakter terhadap
citra
Posisi kamera
miring 60° dengan
karakter terhadap
citra
Posisi kamera
kurang dari 15 cm
dengan karakter
terhadap citra
Posisi kamera
lebih dari 15 cm
dengan karakter
terhadap citra

picture manager)
Langsung
Gaussian blur
1,5px (Adobe
imageready)
Rotate 0°

Rotate 30°

Rotate 60°

-

-

Pengujian gambar dilakukan pada 10 citra karakter Jepang dengan 10
variasi pengambilan gambar yang berbeda sehingga total gambar yang diuji
sebanyak 100 gambar. Pada Tabel 7 menunjukkan pengujian terhadap fungsi yang
terdapat pada sistem berdasarkan 10 sampel karakter Jepang yang telah diuji.
Tabel 7 Hasil Pengujian
Kategori
No.

Pengujian

1
2
3
4
5
6
7
8
9
10

Normal
Intensitas
Cahaya
Fokus (Blur)
Kemiringan
Vertikal
Jarak

Intensitas
Cahaya
Normal
Terang
Normal
Redup
Normal
Normal
Normal
Normal
Normal
Normal

Fokus

Kemiringan

Fokus
Fokus
Fokus
Fokus
Blur
Fokus
Fokus
Fokus
Fokus
Fokus

0°
0°
0°
0°
0°
30°
60°
0°
< 15 cm
> 15 cm

Akurasi(%)
Kamera Galeri
100
100
100
100
100
45
20
95
100
80

100
100
100
100
100
65
30
100
-

18

Kesimpulan Hasil Evaluasi
Pengujian gambar dilakukan pada 10 citra karakter Jepang dengan 10 variasi
pengambilan gambar yang berbeda sehingga total gambar yang diuji sebanyak
100 gambar dari kamera dan 80 gambar dari galeri. Sedangkan jumlah karakter
pada pengujian gambar dari kamera sebanyak 220 sedangkan pengujian gambar
dari galeri sebanyak 180. Hasil pengujian setiap karakter dapat dilihat pada Tabel
8.
Tabel 8 Hasil Pengujian Setiap Karakter
Pengujian

Kategori

Normal

Normal

Kamera

Galeri

Terjemahan

Akurasi
Kamera Galeri

Akurasi (%)
Kamera Galeri

2/2

2/2

100

100

2/2

2/2

100

100

2/2

2/2

100

100

2/2

2/2

100

100

100

100

2/2

2/2

0

1/2

0

50

0

0

0

0

2/2

2/2

100

100

Terang
Intensita
s cahaya

Normal
Redup

Fokus
Blur
Kemirin
gan

Balon

30°
60°

Vertikal

Jarak

Normal
15 cm

-

2/2

-

100

-

Dari tabel hasil pengujian diatas dapat disimpulkan bahwa pengujian
setiap karakter dari kamera lebih rendah dibandingkan dengan pengujian gambar
dari galeri. Hal tersebut dipengaruhi oleh kemiringan pada saat pengambilan
gambar, vertikal penulisan gambar, dan jarak pengambilan gambar dari kamera.
Sedangkan intensitas cahaya dan fokus tidak terlalu berpengaruh dalam
pengenalan karakter. Berikut perhitungan nilai akurasi setiap karakter:
Perhitungan akurasi dari kamera
Perhitungan akurasi dari galeri
Keterangan:
a=karakter yg benar

19

b=semua karakter
Evaluasi Usabilitas
Langkah awal evaluasi usabilitas ini adalah memberikan sejumlah task
atau tugas yang sudah dipersiapkan sebelumnya kepada pengguna saat
berinteraksi dengan sistem yang diuji. Task ini diberikan kepada 5 responden yang
berasal dari mahasiswa dan masyarakat umum yang sudah mengetahui aplikasi
Android sehingga mereka tidak lagi mengalami kesulitan pada saat melakukan
task tersebut. Berikut task usability yang ditunjukkan pada Tabel 9.
Tabel 9 Task Usabilitas
No. Nama Fungsi
1.
2.
3.
4.
5.
6.
7.
8.

Menemukan aplikasi
Membuka aplikasi
Memahami kegunaan tombol
Mengambil gambar dengan kamera
Memilih gambar dari galeri
Menampilkan karakter Jepang
Menampilkan terjemahan bahasa Indonesia
Mereset aplikasi

Masing-masing task di atas dapat dijelaskan sebagai berikut :
Task 1. Pengguna dapat menemukan aplikasi dengan mudah.
Task 2. Pengguna dapat membuka aplikasi.
Task 3. Pengguna memahami kegunaan tombol-tombol.
Task 4. Pengguna diberi pilihan pertama untuk mengambil gambar dari kamera.
Task 5. Pengguna diberi pilihan kedua untuk mengambil gambar dari galeri.
Task 6. Setelah memilih gambar, pengguna akan ditampilkan hasil Tesseract OCR
yang telah mengubah gambar menjadi teks karakter Jepang.
Task 7. Pengguna akan mengklik tombol translate untuk menerjemahkan karakter
Jepang ke dalam bahasa Indonesia.
Task 8. Pengguna akan mengklik tombol reset untuk mengulang percobaan
kembali.
Setelah user menyelesaikan semua task yang ada, langkah selanjutnya
adalah membagikan kuesioner kepada mahasiswa dan masyarakat umum yang
berisi 20 pertanyaan yang sudah mewakili kelima aspek usabilitas. Pengguna
mengisi kuesioner yang sudah dibagikan berdasarkan apa yang dilihat dan
dirasakan pada saat melakukan task tersebut. Tabel 10 merupakan pertanyaan
yang terdapat pada kuesioner.
Tabel 10 Kuesioner
No

Pertanyaan
SS

Aspek Learnability
1
Apakah anda berhasil menemukan aplikasi
android untuk pengenalan citra karakter Jepang?

Penilaian
S RR TS

STS

20

2

Apakah anda berhasil membuka aplikasi
android untuk pengenalan citra karakter Jepang?
Aspek Efficiency
3
Apakah tampilan aplikasi mudah dikenali?
4
Apakah aplikasi mudah dioperasikan?
5
Apakah tulisan pada layar mudah dibaca?
6
Apakah komposisi warna sudah sesuai?
Aspek Memorability
7
Apakah berpindah dari tombol dengan tombol
yang lain dengan mudah?
8
Apakah tombol-tombol pada aplikasi mudah
dimengerti?
9
Apakah tombol-tombol pada aplikasi mudah
digunakan?
10 Apakah bahasa yang digunakan mudah
dimengerti?
Aspek Errors
11 Apakah aplikasi dapat mengenali karakter
Jepang dengan baik?
12 Apakah aplikasi dapat menerjemahkan karakter
Jepang ke dalam bahasa Indonesia?
13 Apakah anda berhasil menggunakan tombol
Take Picture?
14 Apakah anda berhasil menggunakan tombol
Translate?
15 Apakah anda berhasil menggunakan tombol
Reset?
16 Apakah aplikasi berhasil mengambil gambar
dari kamera dan galeri?
Aspek Satisfaction
17 Apakah anda setuju aplikasi ini cukup
membantu dalam menerjemahkan citra karakter
Jepang?
18 Apakah spesifikasi aplikasi yang ditawarkan
sesuai dengan kebutuhan?
19 Apakah anda ingin menggunakan aplikasi ini di
HP sendiri?
20 Apakah anda akan menyarankan teman
menggunakan aplikasi ini?
Tabel 11 Nilai
PK

STS

TS

RR

S

SS

Nilai

1

2

3

4

5

Keterangan:
SS= Sangat Setuju
S=Setuju

RR=Ragu-ragu
TS=Tidak Setuju

STS=Sangat Tidak Setuju

21

rata

Hasil rekap nilai usability berdasarkan 5 responden menunjukkan nilai rata91%,
nilai
tersebut
didapatkan
dari
x 100% lalu untuk mendapatkan nilai ratax 100%

rata menggunakan rumus

sehingga dapat dikatakan bahwa perangkat lunak aplikasi Android yang telah
dibuat memiliki nilai aspek usability sehingga dapat diterapkan sebagai aplikasi
yang dapat dioperasikan oleh penguna untuk menerjemahkan karakter Jepang ke
bahasa Indonesia.

SIMPULAN DAN SARAN
Simpulan
Penelitian ini menghasilkan aplikasi Android untuk pengenalan citra
karakter Jepang dengan library Tesseract. Dari pengujian terhadap 10 citra dengan
10 variasi pengambilan gambar yang berbeda sehingga total gambar yang diuji
sebanyak 100 gambar dari kamera dan 80 gambar dari galeri, pada hal ini sistem
mampu mengenali citra karakter Jepang dengan akurasi sebesar 80% berdasarkan
gambar dari kamera, sedangkan akurasi gambar dari galeri sebesar 94%. Sistem
juga mampu menampilkan terjemahan karakter Jepang ke bahasa Indonesia.
Hasil pengujian usability responden mendapatkan nilai sebesar 91%, hal
ini menunjukkan bahwa perangkat lunak aplikasi Android yang telah dibuat
sangat mudah dipelajari serta dimengerti oleh pengguna.
Saran
Sistem aplikasi yang dibangun masih memiliki beberapa kekurangan, oleh
karena itu perlu adanya pengembangan agar sistem menjadi lebih baik,
diantaranya :
1. Pengenalan pola dapat ditingkatkan kembali.
2. Penambahan fitur-fitur lain, seperti text to speech agar lebih mudah untuk
dimengerti cara pengucapan karakter yang telah dikenali.
3. Sistem dapat menerjemahkan bahasa Indonesia ke dalam bahasa Jepang.

22

DAFTAR PUSTAKA
Das D, Banerjee S. 2014. Survey of Pattern Recognition Approaches in Japanese
Character Recognition. School of Engineering Technology West Bengal
University of Technology, India.
Jacobson I, Christerson M, Jonsson P, Övergaard G. 1992. Object-Oriented
Software Engineering - A Use Case Driven Approach, Addison-Wesle
Khan M, Khan F. 2012. A Comparative Study of White Box, Black Box and Grey
Box Testing Techniques. Vol 3. India (IN): International Journal of Computer
Science and Applications. hlm: 12-15.
Nielsen J. 2012. Usability 101: Introduction to usability. Alertbox [Internet].
[diunduh
2014
Desember
01].
Tersedia
pada
:
http://www.nngroup.com/articles/usability-101-introduction-to-usability/
Pressman, Roger S. 2001. Software Engineering : A Practitioner Approach.
McGraw - Hill Companies.
Shillman R J, Naus G J. 1974. Character Recognition Based on Phenomenological
Attributes: Theory and Methods, PhD. Thesis, Massachusetts Institute of
Technology.
Smith R. 1987. The Extraction and Recognition of Text from Multimedia
Document Images, PhD Thesis, University of Bristol.
Smith, R. 2007. An Overview of the Tesseract OCR Engine. ICDAR '07
Proceedings of the Ninth International Conference on Document Analysis and
Recognition II; 2007 Sept 23-26; Curitiba, Brasil. Washington DC (US): IEEE
Computer Society. hlm 629-633.
Smith, R., D.Antonova, D.S. Lee. (2009). Adapting the Tesseract Open Source
OCR Engine for Multilingual OCR in Proc. Int. Workshop Multilingual
OCR,Barcelona.

23

LAMPIRAN
Lampiran 1 Hasil Pengujian Karakter Jepang
No.
1

Pengujian

Kategori

Normal

Normal

Kamera

Galeri

Terjemahan

Akurasi
Kamera Galeri
2/2
2/2

Akurasi (%)
Kamera
Galeri
100
100

2/2

2/2

100

100

2/2

2/2

100

100

2/2

2/2

100

100

100

100

0

50

Terang
Intensitas
cahaya

Normal
Redup

Fokus

Blur

30°

Balon

2/2

2/2

0

1/2

24

Kemiringan
60°

Vertikal
Jarak

2

Normal

Intensitas
cahaya

0

0

0

0

2/2

2/2

100

100

< 15 cm

2/2

-

100

-

> 15 cm

2/2

-

100

-

Normal

2/2

2/2

100

100

Terang

2/2

2/2

100

100

Normal

2/2

2/2

100

100

2/2

2/2

100

100

2/2

2/2

100

100

Normal

Redup
Dokter

Fokus
Blur

25

1/2

1/2

50

50

0

0

0

0

2/2

2/2

100

100

< 15 cm

2/2

-

100

-

> 15 cm

2/2

-

100

-

Normal

2/2

2/2

100

100

Terang

2/2

2/2

100

100

Normal

2/2

2/2

100

100

30°
Kemiringan
60°

Vertikal

Normal

Jarak

3
Normal

Intensitas
cahaya

26

Redup

Fokus

2/2

2/2

100

100

2/2

2/2

100

100

0

1/2

-

50

0

1/2

0

50

100

100

Normal

2/2

2/2

< 15 cm

2/2

-

100

-

> 15 cm

1/2

-

50

-

100

100

Blur
Film
30°

Kemiringan
60°

Vertikal

Jarak

4

2/2
Normal

Normal

2/2

27

2/2

2/2

100

100

2/2

2/2

100

100

2/2

2/2

100

100

2/2

2/2

100

100

1/2

0

50

0

0

0

0

0

50

100

Normal

1/2

2/2

< 15 cm

2/2

-

100

-

> 15 cm

1/2

-

50

-

Terang
Intensitas
cahaya

Normal
Redup

Fokus

Blur
30°

Kemiringan

Pensil

60°

Vertikal

Jarak

28

5
Normal

2/2

2/2

100

100

2/2

2/2

100

100

2/2

2/2

100

100

2/2

2/2

100

100

Normal
Terang
Normal

Intensitas
cahaya
Fokus

Redup
Blur

2/2

2/2

100

100

2/2

2/2

100

100

1/2

1/2

50

50

2/2

2/2

100

100

< 15 cm

2/2

-

100

-

> 15 cm

2/2

-

100

-

30°
Kemiringan

Televisi

60°

Vertikal

Normal

Jarak

29

6
Normal

2/2

2/2

100

100

2/2

2/2

100

100

2/2

2/2

100

100

2/2

2/2

100

100

2/2

2/2

100

100

1/2

1/2

50

50

0

1/2

0

50

2/2

2/2

100

100

2/2

-

100

-

Normal
Terang

Intensitas
cahaya

Normal
Redup

Fokus

Blur

Waktu

30°
Kemiringan
60°

Vertikal

Normal

< 15 cm

30

Jarak

1/2

-

50

-

2/2

2/2

100

100

2/2

2/2

100

100

2/2

2/2

100

100

2/2

2/2

100

100

2/2

2/2

100

100

0

1/2

0

50

0

0

0

0

> 15 cm
7
Normal

Normal
Terang

Intensitas
cahaya

Normal
Redup

Fokus

Blur

Sekolah

30°
Kemiringan
60°

31

Vertikal
Normal

100

100

-

100

-

1/2

-

50

-

3/3

3/3

100

100

3/3

3/3

100

100

2/2

2/2

< 15 cm

2/2

> 15 cm

Jarak

8
Normal

Normal
Terang

Intensitas
cahaya

3/3

3/3

100

100

Normal
Redup

3/3

3/3

100

100

Blur

3/3

3/3

100

100

30°

1/2

2/2

50

100

Fokus
Kecil

32

Kemiringan

60°

1/2

1/2

Normal
Vertikal

Jarak

50

100

100

3/3

3/3

< 15 cm

3/3

-

100

-

> 15 cm

3/3

-

100

-

2/2

2/2

100

100

2/2

2/2

100

100

2/2

2/2

100

100

2/2

2/2

100

100

2/2

2/2

100

100

9
Normal

50

Normal
Terang

Intensitas
cahaya

Normal
Redup
Gajah

Fokus

Blur

33

1/2

2/2

50

100

1/2

1/2

50

50

2/2

2/2

100

100

< 15 cm

2/2

-

100

-

> 15 cm

2/2

-

100

-

2/2

2/2

100

100

2/2

2/2

100

100

2/2

2/2

100

100

2/2

2/2

100

100

30°
Kemiringan
60°

Vertikal

Normal

Jarak

10
Normal

Normal
Terang

Intensitas
cahaya

Normal
Redup

34

Fokus

2/2

2/2

100

100

2/2

2/2

100

100

1/2

1/2

50

50

100

100

Blur
30°
Kemiringan

Cina

60°

Vertikal

Jarak

Normal
2/2

2/2

< 15 cm

2/2

-

100

-

> 15 cm

2/2

-

100

-

35

Lampiran 2 Lembar Kuesioner
PENGUJIAN USABILITY
APLIKASI ANDROID UNTUK PENGENALAN CITRA KARAKTER
JEPANG DENGAN LIBRARY TESSERACT
DEPARTEMEN ILMU KOMPUTER
INSTITUT PERTANIAN BOGOR
2014

Isilah dengan huruf kapital.
Nama Lengkap : ________________________________________
Usia : ____ tahun
Tempat/tanggal Lahir : ________________________________________
Jenis Kelamin : 1. Laki-laki 2. Perempuan
KETERANGAN:
SS= Sangat Setuju
RR=Ragu-ragu
STS=Sangat Tidak Setuju
S=Setuju
TS=Tidak Setuju
Bubuhkan tanda ceklist (√) pada kolom yang nilainya paling sesuai menurut
Anda. Jawaban yang jujur sangat membantu untuk keberhasilan penelitian
ini. Terima kasih atas partisipasi Anda.
No

Pertanyaan
SS

Aspek Learnability
1
Apakah anda berhasil menemukan aplikasi
android untuk pengenalan citra karakter Jepang?
2
Apakah anda berhasil membuka aplikasi
android untuk pengenalan citra karakter Jepang?
Aspek Efficiency
3
Apakah tampilan aplikasi mudah dikenali?
4
Apakah aplikasi mudah dioperasikan?
5
Apakah tulisan pada layar mudah dibaca?
6
Apakah komposisi warna sudah sesuai?
Aspek Memorability
7
Apakah berpindah dari tombol dengan tombol
yang lain dengan mudah?
8
Apakah tombol-tombol pada aplikasi mudah
dimengerti?
9
Apakah tombol-tombol pada aplikasi mudah
digunakan?
10 Apakah bahasa yang digunakan mudah
dimengerti?
Aspek Errors
11 Apakah aplikasi dapat mengenali karakter
Jepang dengan baik?

S

Penilaian
RR TS STS

36

12

Apakah aplikasi dapat menerjemahkan karakter
Jepang ke dalam bahasa Indonesia?
13 Apakah anda berhasil menggunakan tombol
Take Picture?
14 Apakah anda berhasil menggunakan tombol
Translate?
15 Apakah anda berhasil menggunakan tombol
Reset?
16 Apakah aplikasi berhasil mengambil gambar
dari kamera dan galeri?
Aspek Satisfaction
17 Apakah anda setuju aplikasi ini cukup
membantu dalam menerjemahkan citra karakter
Jepang?
18 Apakah spesifikasi aplikasi yang ditawarkan
sesuai dengan kebutuhan?
19 Apakah anda ingin menggunakan aplikasi ini di
HP sendiri?
20 Apakah anda akan menyarankan teman
menggunakan aplikasi ini?

37

Lampiran 3 Lembar Hasil Kuesioner
No

Pertanyaan

Aspek Learnability
1
Apakah anda berhasil menemukan aplikasi
android untuk pengenalan citra karakter Jepang?
2
Apakah anda berhasil membuka aplikasi
android untuk pengenalan citra karakter Jepang?
Aspek Efficiency
3
Apakah tampilan aplikasi mudah dikenali?
4
Apakah aplikasi mudah dioperasikan?
5
Apakah tulisan pada layar mudah dibaca?
6
Apakah komposisi warna sudah sesuai?
Aspek Memorability
7
Apakah berpindah dari tombol dengan tombol
yang lain dengan mudah?
8
Apakah tombol-tombol pada aplikasi mudah
dimengerti?
9
Apakah tombol-tombol pada aplikasi mudah
digunakan?
10 Apakah bahasa yang digunakan mudah
dimengerti?
Aspek Error
11 Apakah aplikasi dapat mengenali karakter
Jepang dengan baik?
12 Apakah aplikasi dapat menerjemahkan karakter
Jepang ke dalam bahasa Indonesia?
13 Apakah anda berhasil menggunakan tombol
Take Picture?
14 Apakah anda berhasil menggunakan tombol
Translate?
15 Apakah anda berhasil menggunakan tombol
Reset?
16 Apakah aplikasi berhasil mengambil gambar
dari kamera dan galeri?
Aspek Satisfaction
Apakah anda setuju aplikasi ini cukup
17 membantu dalam menerjemahkan citra karakter
Jepang?
Apakah spesifikasi aplikasi yang ditawarkan
18 sesuai dengan kebutuhan?
Apakah anda ingin menggunakan aplikasi ini di
19 HP sendiri?
Apakah anda akan menyarankan teman
20 menggunakan aplikasi ini?
Total Persentase

SS

S

4

1

Penilaian
RR S STS

Akurasi
(%)
96

5

100

4
3
3
3

1
2
2
2

96
92
92
92

3

2

92

3

2

92

3

2

92

4

1

96

2

2

2

3

88

3

2

92

3

2

92

3

2

92

3

2

92

2

3

88

2

3

88

2

2

1

84

1

3

1

80

1

84

91

38

RIWAYAT HIDUP
Penulis dilahirkan di Palembang pada tanggal 30 Januari 1991. Penulis
merupakan anak kedua dari 2 bersaudara dari pasangan Bapak Johan Anshory
Herklots dan Ibu Anita Leni. Penulis memasuki jenjang Sekolah Menengah Atas
(SMA) pada tahun 2006 di SMA PGRI 3 Bogor, jenjang Program Diploma
Teknik Komputer IPB pada tahun 2009 dan pada tahun 2012 melanjutkan
pendidikan sebagai mahasiswa Program Studi Ilmu Komputer, Departemen Ilmu
Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian
Bogor.