karena pada tahapan sebelumnya, hasil ukuran matriks citranya berbeda, sehingga nantinya lebih mudah dalam melakukan proses ekstraksi ciri.
3.
Grayscaling
Tahap selanjutnya, data citra aksara Lampung yang telah di-
crop
diubah skala warnanya menjadi citra dengan skala keabuan dengan menggunakan fungsi matlab
rgb2gray
. 4.
Binerisasi Setelah didapat citra aksara Lampung dengan skala warna keabuan, diperlukan
tahap binerisasi yang mengubah intensitas nilai piksel citra menjadi 0 dan 1 saja, dimana 0 direpresentasikan sebagai warna hitam dan 1 direpresentasikan sebagai warna
putih pada citra. Dalam hal ini, digunakan fungsi dari MATLAB yaitu
im2bw
. 5.
Thinning
Tahap
thinning
atau penipisan merupakan tahap akhir
preprocessing
. Pada tahap ini, citra biner aksara Lampung akan diubah ketebalan pikselnya sehingga untuk setiap
data citra aksara Lampungnya menjadi citra kerangka dengan ketebalan 1 piksel. Hasil proses
thinning
ini nantinya yang digunakan untuk melakukan ekstraksi ciri.
Thinning
dilakukan dengan menggunakan metode
Rosenfeld.
3.2.1.3 Ekstraksi Ciri
Setelah didapat kerangka citra aksara, maka dilakuakn ekstraksi ciri. Metode ekstraksi ciri yang digunakan adalah
modified direction feature.
Metode ini dipilih karena banyak digunakan dalam proses ekstraksi ciri terkait dengan citra huruf yang
memiliki banyak lengkungan. Proses ekstraksi ciri dalam tahap pelatihan dilakukan pada semua data citra
aksara Lampung dengan menentukan nilai arah tiap piksel berdasarkan segmen garisnya yang kemudian di normalisasi berdasarkan nilai dominan tiap segmennya.
Nilai arah ini kemudian digunakan untuk menentukan nilai DT dan LT yang merupakan hasil ekstraksi ciri tiap citranya.
Untuk setiap inputnya, ciri yang dihasilkan sebanyak 120. Jumlah ini ditentukan dari persamaan 2.10.
3.2.1.4 Normalisasi
Tahap selanjutnya yaitu tahap normalisasi. Metode normalisasi yang digunakan pada penelitian ini adalah normalisasi z-score dan min-max.
1. Normalisasi
Z-score
Dari data hasil ekstraksi ciri yang ada, maka dilakukan normalisasi dengan metode z-score. Normalisasi dilakukan pada data yang dominan paling banyak
muncul dari seluruh data hasil ekstraksi ciri. Berikut merupakan tahapan normalisasi
z-score
: a.
Dari data hasil ekstraksi ciri di bawah ini
Dicari nilai rata-rata dan standar deviasi semua data.
Gambar 3.5 Contoh hasil ekstraksi ciri MDF
Gambar 3.6 Hasil ekstraksi ciri awal
Gambar 3.6 Hasil mean dan standar deviasi
b. Setelah didapatkan nilai
mean
dan standar deviasinya, maka normalisasi ini diterapkan pada data yang bersifat dominan dengan menggunakan
persamaan 2.10. Berikut hasil data yang telah dinormalisasi.
2. Normalisasi m
in-max
Dari data hasil ekstraksi ciri yang ada, maka dilakukan normalisasi dengan metode
min-max
. Normalisasi dilakukan pada data yang dominan paling banyak muncul dari seluruh data hasil ekstraksi ciri. Berikut merupakan
tahapan normalisasi
min-max
: a.
Dari data hasil ekstraksi ciri pada Gambar 3.5, dicari nilai maksimum dan minimum dari semua data yang ada.
Gambar 3.8 Nilai minimum dan maksimum data Gambar 3.7 Hasil setelah dinormalisasi z-score
b. Setelah didapatkan nilai minimum
dan maksimumnya, maka normalisasi ini diterapkan pada data hasil ekstraksi ciri dengan
menggunakan persamaan 2.11. Berikut hasil data yang telah dinormalisasi.
Dalam penelitian ini, kedua metode normalisasi dilakukan. Dari hasil kedua metode normalisasi tersebut akan dibandingkan metode mana yang akan menghasilkan
tingkat akurasi yang lebih tinggi.
3.2.1.5 Jaringan Syaraf Tiruan
