Binarization Normalization
Thinning
Gambar 3.3 Tahapan Prapengolahan Citra
3.1.2.1. Pembentukan Matriks Biner Binarization
Proses ini akan menghasilkan citra hitam putih yang bersih dari tingkat keabun grayscale, atau dengan kata lain metode ini mengonversi citra gray-level ke citra
bilevel binary image. Pada tahap ini setiap nilai pixel RGB akan diambil nilai rata- ratanya untuk kemudian dicek, jika nilai yang dihasilkan kurang dari nilai threshold
yang dihasilkan maka nilai pixel tersebut diubah menjadi warna hitam, sebaliknya jika lebih besar dari nilai konstan maka akan diubah menjadi warna putih.
Matriks biner dari citra ini dibentuk berdasarkan nilai hitam putih pada citra yang telah didapatkan, jika pixel citra pada koordinat x,y berwarna hitam maka nilai
matrik biner pada baris i dan kolom j adalah 1, sebaliknya 0. Ada pun diagram alir proses dari pembentukan matriks biner dapat dilihat pada gambar 3.4.
Mulai Inisialisasi
tinggi, lebar x= 0
y = 0 y tinggi
x lebar Nilai rata-rata
x,y = R + G + B 3
ya
x,y T Matriks[y][x] = 1
Matriks[y][x] = 0 tidak
ya tidak
Selesai tidak
ya
x= x + 1 y = y + 1
Gambar 3.4 Flowchat Pembentukan Matriks Biner
Universitas Sumatera Utara
3.1.2.2. Normalization
Citra hasil pemotongan crop memiliki resolusi yang berbeda-beda sehingga belum dapat digunakan sebagai masukan standar untuk diekstrak. Citra tersebut harus
dinormalisasi, yaitu mengubah resolusi citra menjadi resolusi yang sesuai untuk diekstrak yaitu 60x90 piksel. Contoh citra hasil pemotongan yang dinormalisasi dapat
dilihat pada gambar 3.5.
Gambar 3.5 Citra hasil normalisasi
3.1.2.3. Pengurusan Objek Citra Thinning
Proses selanjutnya adalah pengurusan objek citra, yaitu objek tulisan tangan aksara Batak Toba yang terdapat pada citra akan dikuruskan thinning hingga ketebalannya
hanya 1 piksel tetapi tidak merubah informasi dan karakteristik penting dari objek tersebut. Melalui proses pengurusan ini akan didapatkan kerangka dari objek tulisan
tangan aksara Batak Toba. Pengenalan objek seperti huruf atau silhouette akan lebih mudah dengan memperhatikan kerangkanya Phillips, 2000. Pada penelitian ini akan
digunakan algoritma thinning Zhang-Suen. Algoritma Zhang-Suen menggunakan metode paralel dimana nilai baru bagi tiap-tiap piksel dihasilkan dari nilai piksel pada
iterasi sebelumnya. Tahapan dari proses ini dapat dilihat pada sub bab 2.3.4 mengenai thinning. Contoh citra hasil thinning dapat dilihat pada gambar 3.6.
Gambar 3.6 Citra Hasil Thinning
Citra hasil thinning pada gambar 3.6 adalah hasil akhir dari seluruh tahap prapengolahan citra. Citra terebut dapat digunakan pada tahap ekstraksi fitur.
Universitas Sumatera Utara
3.2. Tahap Ekstraksi Fitur
Pada penelitian ini ekstraksi fitur dilakukan menggunakan kombinasi metode zoning dan diagonal based feature extraction. Kedua metode tersebut akan dilakukan secara
berurutan, pertama zoning dan kedua diagonal based feature extraction DBFE. Nilai fitur yang didapatkan dari kedua metode tersebut akan digabungkan, yaitu
menyambung nilai fitur yang didapatkan dari metode zoning dengan diagonal based feature extraction. Nilai fitur dari kedua metode tersebut disimpan pada satu matrik
yang sama. Nilai fitur yang didapatkan dari metode zoning disimpan dari indeks 0 sampai indeks n dan nilai fitur yang didapatkan dari metode diagonal based feature
extraction disimpan dari index n+1 sampai indeks m. Matrik nilai fitur dapat dilihat pada gambar 3.7.
n n+1
m …………..
………….. Zoning
Diagonal based feature extraction
Gambar 3.7 Matrik Penyimpanan Nilai Fitur
Setelah dilakukan tahap prapengolahan citra didapatkan data sampel yang seragam. Ukuran data sampel hasil prapengolahan citra adalah 60x90 piksel. Ukuran
ini mengikuti ukuran yang digunakan oleh Pradeep et. al 2011. Pada penelitian yang mereka lakukan, setiap data sampel dibagi menjadi zona-zona dengan ukuran 10x10
piksel. Dari pembagian zona tersebut didapatkan 6 kolom dan 9 baris zona.Jumlah zona adalah sebanyak 54 zona seperti pada gambar 3.8.
Gambar 3.8 Pembagian zona menjadi 6 kolom dan 9 baris
Universitas Sumatera Utara
Dari setiap zona tersebut akan diproses untuk mendapatkan nilai fitur. Pembagian zona yang sama juga dilakukan pada penelitian ini terhadap kombinasi
metode ekstraksi yang digunakan. Proses ekstraksi fitur menggunakan kombinasi metode zoning dan diagonal based feature extraction dapat dijelaskan melalui
diagram pada gambar 3.9.
Gambar 3.9 Diagram Ekstraksi Fitur Putra, 2012
Dari gambar 3.9 proses sebelah kiri adalah metode zoning dan proses sebelah kanan adalah metode diagonal based feature extraction. Kedua metode ekstraksi tersebut
dijelaskan pada bab berikut.
3.2.1. Metode Ekstraksi Zoning Metode zoning terdiri dari tiga proses, yaitu :
1. Hitung jumlah piksel hitam setiap zona dari Z1 sampai Z54.
Misalkan, Z1 = 5, Z10 = 10 dan Z15 = 3. 2.
Tentukan zona yang memiliki jumlah piksel hitam paling tinggi. Misalkan dari contoh tahap 1, zona yang memiliki jumlah piksel paling tinggi
adalah Z10, yaitu 10 piksel. 3.
Hitung nilai fitur setiap zona dari Z1 sampai Z54. Yaitu menggunakan rumus : Nilai fitur Zn = Zn Z tertinggi
diman a1 ≤ n ≤ 54
Hitung jumlah piksel hitam setiap zona
Nilai fitur setiap zona = jumlah piksel
zona jumlah piksel hitam tertinggi
Nilai fitur = nilai zona, rata-rata histogram zona, rata-rata zona per baris, rata-rata zona per kolom Bagi citra menjadi
6 kolom dan 9 baris zona dengan ukuran setiap zona
10x10 piksel Hitung histogram
diagonal setiap zona
Hitung rata-rata zona per baris
Hitung rata-rata zona per kolom
Cari jumlah piksel hitam tertinggi
Hitung rata-rata histogram diagonal
setiap zona
Universitas Sumatera Utara
Dari ekstraksi zoning didapatkan 54 nilai fitur yang mewakili setiap zona. Flowchart dari proses ekstraksi zoning dapat dilihat pada gambar 3.10.
Start
y ß 0
k ß y
l ß x
imgl, k = 0
piksel_zona[y10][x10] ß
piksel_zona[y10][x10] + 1 Yes
y tinggi
x ß 0
x lebar Yes
y ß 0
No
y ß y + 10
x ß x + 10
Yes
k y + 10 k
ß k + 1 Yes
l x + 10 l
ß l + 1 Yes
No No
piksel_zona[y10][x10] piksel_zona_max
No piksel_zona_max
ß piksel_zona[y10][x10]
Yes No
No y ZONA_T
x ß 0
x ZONA_L Yes
piksel_zona[y][x] ß
piksel_zona[y][x] piksel_zona_max
Yes x
ß x + 1 y
ß y + 1
No End
No Inisialisasi
ZONA_L ß 6, ZONA_T ß 9
img hasil Thinning tinggi
ß imgheight, lebar ß imgwidth piksel_zona[ZONA_T][ZONA_L]
ß 0.0 piksel_zona_max
ß 0.0 x, y, k, l
Gambar 3.10 Flowchart Ekstraksi Fitur Zoning Putra 2012
Universitas Sumatera Utara
3.2.2. Metode Diagonal Based Feature Extraction Metode ini terdiri dari 4 proses, yaitu :
1. Hitung histogram diagonal setiap zona.
Histogram diagonal adalah banyaknya piksel hitam setiap diagonal. Penghitungan histogram diagonal setiap zona dilakukan seperti pada gambar 3.11.
Gambar 3.11 Histogram Diagonal Zona Predeep Et Al. 2011
Banyaknya histogram diagonal sebuah zona adalah: Banyak histogram diagonal = Panjang zona + Tinggi zona - 1
Banyak histogram diagonal = 10 + 10 - 1 = 19 2.
Hitung rata-rata histogram setiap zona. Nilai fitur Zn = Rata-
rata histogram = Hist1 + ….. + Hist19 19 dimana 1 ≤ n ≤ 54
3. Hitung rata-rata zona setiap baris, dimana jumlah zona setiap baris 6
4. Hitung rata-rata zona setiap kolom, dimana jumlah zona seriap kolom 9
Dari metode diagonal based feature extraction didapatkan 54 nilai fitur rata- rata histogram diagonal setiap zona, 9 nilai fitur rata-rata zona setiap baris dan 6 nilai
fitur rata-rata zona setiap kolom kolom. Total nilai fitur yang didapatkan dari metode ini adalah 69 nilai fitur. Flowchart proses diagonal based feature extraction dapat
dilihat pada gambar 3.12.
Universitas Sumatera Utara
Start ZONA_L
ß 6, ZONA_T ß 9 img hasil Thinning
tinggi ß imgheight, lebar ß imgwidth
jml_piksel_zona ß 0
jml_hor ß 0.0, jml_ver ß 0.0
rata_rata_zona[ZONA_T][ZONA_L] ß 0.0
rata_rata_hor[ZONA_T] ß 0.0
rata_rata_ver[ZONA_L] ß 0.0
int x, y, k, l y
ß 0
y tinggi
x ß 0
Yes
x lebar x
ß x + 10 y
ß y + 10 No
jml_piksel_zona ß 0
Yes
k ß y
k y + 10
l ß x
l x + 10 Yes
l ß l + 1
k ß k + 1
No No
imgl, k = 0
Jml_piksel_zona ß
jml_piksel_zona + 1 Yes
Yes No
rata_rata_zona[y10][x10] ß
jml_piksel_zona 19 y
ß 0
y ZONA_T
x ß 0
Yes
x ZONA_L y
ß y + 1
No No
x ß x + 1
jml_hor ß jml_hor +
rata_rata_zona[y][x] Yes
rata_rata_hor[y] ß
jml_hor ZONA_L jml_hor
ß 0
x ß 0
x ZONA_L
y ß 0
Yes
y ZONA_T x
ß x + 1 No
No y
ß y + 1
jml_ver ß jml_ver +
rata_rata_zona[x][y] Yes
rata_rata_ver[x] ß
jml_hor ZONA_T jml_ver
ß 0 End
Gambar 3.12 Flowchart Ekstraksi DBFE Putra, 2012
Universitas Sumatera Utara
3.2.3. Penggabungan nilai fitur 54 nilai fitur yang didapatkan dari metode zoning digabungkan dengan 69 fitur yang
didapatkan dari metode diagonal based feature extraction untuk mendapatkan 123 nilai fitur. 123 nilai fitur tersebut disimpan pada matrik dengan ukuran 1x123 seperti
pada gambar 3.13.
53 54
122 …………..
………….. Zoning
Diagonal based feature extraction
Gambar 3.13 Matrik Penyimpanan Nilai Fitur
3.3. Tahap Setelah Ekstraksi Fitur
