Tahap pertama daripada pengerjaan adalah akuisisi data, yakni membaca citra kata
tulisan tangan Katakana yang telah dikumpulkan dan dipindai. Tahap kedua yakni pemrosesan citra yang telah dikumpulkan menjadi satu kesatuan yang seragam agar
sesuai untuk tahap selanjutnya. Tahap ketiga yakni ekstraksi fitur, dimana digunakan Diagonal Based Feature Extraction untuk mengekstrak nilai fitur daripada tiap citra yang
akan digunakan sebagai masukan bagi jaringan saraf tiruan. Tahap keempat adalah pelatihan dan pengujian menggunakan Recurrent Neural Network, dimana akan didapat
keluaran daripada pelatihan dan pengujian citra oleh jaringan saraf tiruan.
3.1 Data yang Digunakan
Data sampel yang digunakan adalah 46 huruf Katakana yang ditulis di kertas berukuran A4 dengan menggunakan spidol tinta warna hitam. Data sampel dikumpulkan dari 13
orang partisipan yang mengerti menuliskan huruf Katakana. Cara penulisan data sampel dalam pengerjaannya yaitu 10 orang menuliskan 46 huruf Katakana sebanyak 1 kali.
Adapun perbandingan yang digunakan yaitu 10 orang menuliskan 46 huruf Katakana sebanyak 1 kali untuk digunakan sebagai data latih, dan 3 orang menuliskan 46 huruf
Katakana sebanyak 1 kali untuk digunakan sebagai data uji. Total data sampel yang digunakan adalah 460 citra data sampel yang digunakan sebagai data latih dan 138 citra
data sampel yang digunakan sebagai data uji. Contoh penulisan huruf Katakana dapat dilihat pada gambar 3.2
Gambar 3.2 Contoh Penulisan Huruf Katakana Data sampel yang telah dikumpulkan kemudian akan dipindai melalui scanner agar
bisa di proses melalui komputer. Data sampel yang diolah berupa data citra yang
Universitas Sumatera Utara
formatnya diubah menjadi JPEG. Kemudian data citra akan diproses melalui langkah prapengolahan citra.
3.2 Analisis Sistem
3.2.1 Prapengolahan citra Image Processing Data citra akan diproses melalui prapengolahan citra. Tahap prapengolahan citra dapat
dilihat pada gambar 3.3
normal
grayscalling
resizing
normalisasi
thinning
Gambar 3.3 Tahapan Prapengolahan Citra
Universitas Sumatera Utara
Tahap pertama dalam pengolahan citra adalah mengubah citra warna menjadi citra keabuan. Tahap selanjutnya adalah mengubah ukuran citra menjadi sama atau seragam
yakni menjadi ukuran 60 x 90 pixel. Citra yg telah di resizing dan normalisasi kemudian akan mengalami proses thinning yang bertujuan untuk mendapatkan kerangka dari objek
kata yang dimana citra hasil dari thinning akan digunakan untuk ekstraksi fitur. Ekstraksi fitur yang digunakan setelah proses prapengolahan citra adalah Diagonal Based Featured
Extraction.
3.2.1.1 Proses pembentukan citra keabuan Grayscalling
Tahap pertama dalam melakukan prapengolahan citra yaitu proses mengubah citra warna menjadi citra keabuan. Proses grayscale dilakukan dengan cara mengambil semua piksel
pada gambar kemudian warna tiap piksel akan diambil informasi mengenai tiga warna dasar yaitu merah, hijau, dan biru RGB, dimana ketiga warna dasar ini akan
dijumlahkan kemudian dibagi tiga sehingga akan didapatkan nilai rata-rata. Nilai rata-rata inilah yang akan dipakai untuk memberikan warna piksel pada gambar sehinggal warna
akan menjadi keabuan grayscale, tiga warna dasar dari sebuah piksel akan di set menjadi nilai rata-rata Santi, 2011 . Proses mengubah citra warna RGB menjadi citra
keabuan grayscale dapat dihitung dengan rumus : grayscale = 0.299R + 0,587G + 0,114B.......... 1
atau grayscale = 0,333R + 0,333G + 0,333B.......... 2
Perhitungan nilai grayscale yang sebenarnya adalah menggunakan persamaan yang pertama. Untuk lebih mudah digunakan untuk perhitungan manual dan mudah diingat
digunakan persamaan yang kedua. Hasil citra grayscalling dapat dilihat pada gambar 3.4
Gambar 3.4 Hasil citra grayscalling
Universitas Sumatera Utara
3.2.1.2 Resizing Setelah didapat citra hasil dari grayscalling, kemudian citra akan diubah ukurannya sesuai
dengan standar pengenalan dari proses prapengolahan citra. Tujuan dari resizing dalam prapengolahan citra ini adalah untuk mengubah resolusi atau ukuran vertikal dan
horizontal dari suatu citra tersebut. Adapun pada proses prapengolahan citra ini, semua citra diseragamkan menjadi 150 x 150 piksel dengan tujuan agar memudahkan
pemrosesan dari prapengolahan citra. Hasil citra resizing dapat dilihat pada gambar 3.5
Gambar 3.5 Hasil citra resizing
3.2.1.3 Normalisasi Normalisasi adalah suatu bagian dari koreksi radiometrik, yaitu untuk menghilangkan
perbedaan antara dua atau lebih citra yang berbeda waktu atau lokasi dengan mengaju pada satu citra yang dianggap paling baik dan benar. Dengan kata lain fungsi dari
normalisasi adalah untuk mendapatkan data dengan mean nol dan standar deviasi sama dengan satu. Pada proses prapengolahan citra ini, normalisasi bertujuan untuk
menyeragamkan nilai piksel dari setiap citra menjadi satu standar untuk di ekstraksi dalam tahap ekstraksi fitur. Hasil citra normalisasi dapat dilihat pada gambar 3.6
Gambar 3.6 Hasil citra normalisasi
3.2.1.4 Thinning Setelah mengalami proses normalisasi, kemudian data citra akan masuk dalam tahap
Thinning. Thinning adalah suatu operasi morfologi yang digunakan untuk menghapus piksel foreground yang terpilih dari gambar biner. Biasanya digunakan untuk proses
Universitas Sumatera Utara
mencari tulang dari sebuah objek Skeletonization. Thinning bertujuan untuk mereduksi ukuran dari suatu image dengan tetap mempertahankan nilai atau karakteristik dari image
tersebut. Proses nya yaitu menggunakan nilai baru bagi tiap piksel dihasilkan dari nilai piksel pada iterasi sebelumnya. Hasil citra thinning dapat dilihat pada gambar 3.7
Gambar 3.7 Hasil citra thinning
3.2.2 Ekstraksi Fitur
Setelah dilakukan proses prapengolahan citra, kemudian dilakukan tahap ekstraksi fitur. Ekstraksi fitur yang digunakan adalah Diagonal Based Extraction Featured. Ekstraksi
fitur dilakukan bertujuan untuk mendapatkan nilai fitur sebagai masukan bagi lapis masukan Recurrent Neural Network. Diagonal Based Feature Extraction adalah proses
untuk mengenali karakter tulisan dengan metode offline di dalam pengerjaannya Pradeep, et.al, 2011. Setiap citra karakter berukuran 60 x 90 piksel kemudian dibagi
menjadi 54 zona yang sama, dan masing – masing zona berukuran 10 x 10 piksel. Fitur yang akan di ekstraksi dari setiap zona piksel dengan bergerak secara diagonal
dari tiap zona yang masing – masing berukuran 10 x 10 piksel. Setiap zona memiliki 19 garis diagonal dan foreground pixel yang ada disetiap baris diagonal dan dijumlahkan
untuk mendapatkan sub-fitur tunggal. Kemudian, nilai dari 19 sub-fitur ini dibagi rata untuk mendapatkan satu nilai fitur dan ditempatkan di zona yang sesuai. Prosedur ini
dilakukan berulang secara berurutan di semua zona. Apabila ada suatu zona yang garis diagonal nya bernilai kosong, maka nilai fitur yang sesuai dengan zona tersebut adalah 0.
Proses ekstraksi fitur menggunakan metode diagonal based feature extraction dapat dijelaskan melalui alur pada gambar 3.8
Universitas Sumatera Utara
Bagi citra menjadi 6 kolom dan 9 baris dengan ukuran setiap
zona 10 x 10 piksel Hitung histogram
diagonal setiap zona
Hitung rata – rata histogram setiap
zona
Hitung rata – rata zona per kolom
Hitung rata – rata zona per baris
Nilai fitur = rata – rata histogram zona, rata – rata
zona per baris, rata – rata zona per kolom
Gambar 3.8 Diagram Ekstraksi Fitur Diagonal Based Feature Extraction
Adapun penjelasan dari diagram pada gambar 3.8 adalah sebagai berikut : 5. Hitung histogram diagonal setiap zona. Histogram diagonal adalah banyaknya
piksel hitam setiap diagonal pada satu zona. Setiap zona memiliki 19 nilai histogram diagonal yang disebut Histds, dimana 1 ≤ d ≤ 19. Secara jelas dapat
dilihat pada gambar 3.9
Gambar 3.9 Histogram Diagonal Zona Pradeep et al. 2011
Universitas Sumatera Utara
6. Hitung nilai fitur setiap zona, yaitu rata-rata histogram setiap zona, disebut Zn dimana 1 ≤ n ≤ 54.
Zn = 19
7. Hitung rata-rata zona setiap baris, disebut Bi, dimana 1 ≤ i ≤ 9. Bi =
6 Baris 1 = Z1+Z2+Z3+Z4+Z5+Z6 6
Baris 2 = Z7+Z8+Z9+Z10+Z11+Z12 6 Baris 3 = Z13+Z14+Z15+Z16+Z17+Z18 6
Baris 4 = Z19+Z20+Z21+Z22+Z23+Z24 6 Baris 5 = Z25+Z26+Z27+Z28+Z29+Z30 6
Baris 6 = Z31+Z32+Z33+Z34+Z35+Z36 6 Baris 7 = Z37+Z38+Z39+Z40+Z41+Z42 6
Baris 8 = Z43+Z44+Z45+Z46+Z47+Z48 6 Baris 9 = Z49+Z50+Z51+Z52+Z53+Z56 6
8. Hitung rata-rata zona setiap kolom, disebut Kj, dimana 1 ≤ j ≤ 6 Kj =
9 Kolom 1 = Z1+Z7+Z13+Z19+Z25+Z31+Z37+Z43+Z49 9
Kolom 2 = Z2+Z8+Z14+Z20+Z26+Z32+Z38+Z44+Z50 9 Kolom 3 = Z3+Z9+Z15+Z21+Z27+Z33+Z39+Z45+Z51 9
Kolom 4 = Z4+Z10+Z16+Z22+Z28+Z34+Z40+Z46+Z52 9 Kolom 5 = Z5+Z11+Z17+Z23+Z29+Z35+Z41+Z47+Z53 9
Kolom 6 = Z6+Z12+Z18+Z24+Z30+Z36+Z42+Z48+Z54 9
3.2.3 Recurrent Neural Network Pada bagian ini akan dijabarkan proses mengklasifikasi citra tulisan yang
sudah di ekstraksi nilai fiturnya dengan menggunakan Recurrent Neural
Universitas Sumatera Utara
Network. Adapun diagram alur dari Recurrent Neural Network yang telah dibuat dapat dilihat pada gambar 3.10
start
Input masukan
Input state vektor
Hitung bobot dari input masukan
Hitung bobot dari input masukan
Hitung nilai sigmoid ø danᵟ Hitung keluaran jaringan
If error input ≠error state vector
stop
yes
no
Gambar 3.10 Diagram alur Recurrent Neural Network
Penjelasan dari gambar 3.10 adalah sebagai berikut :
1. Input masukan berupa akusisi citra dari tahapan prapengolahan citra dan sudah
diambil nilai fitur ekstraksinya
2. Input state vector. State Vector berupa target yang ingin dicapai dari citra latih dan citra uji. Melakukan perhitungan state vector dapat dihitung dengan rumus :
xk n
3. Melakukan perhitungan nilai bobot dari input masukan, dengan rumus :
Universitas Sumatera Utara
4. Melakukan perhitungan nilai hidden layer, dengan rumus :
5. Melakukan perhitungan nilai ø dan ơ dengan menggunakan fungsi sigmoid, adapaun fungsi sigmoid yang digunakan adalah :
6. Menentukan nilai keluaran jaringan, dengan rumus :
3.3 Perancangan Sistem
3.3.1 Use case diagram Use case diagram digunakan untuk menggambarkan fungsionalitas dan fitur-fitur yang
ada pada sistem berdasarkan perspektif dari user. Use case juga menggambarkan bagaimana user berinteraksi dengan sistem dan mendefinisikan langkah-langkah yang
dilakukan user untuk menyelesaikan suatu tugas Pressman, 2010. Use case diagram dari sistem yang akan dibuat dapat dilihat pada gambar 3.11
Universitas Sumatera Utara
Gambar 3.11 Use case diagram
3.3.2 Use case spesification Use case specification merupakan perkembangan dari use case diagram untuk setiap use
case. Use case specification menjelaskan detail bagaimana sebuah use case berkerja. Berikut ini adalah use case specification pada table 3.1 dari sistem yang akan dibangun
berdasarkan use case diagram pada gambar 3.11.
Tabel 3.1 Use Case Spesikasi untuk Use Case Cari Citra
Nama use case Cari Citra
Aktor User
Deskripsi Use case ini digunakan oleh user untuk mengambil
data citra tulisan tangan Jepang jenis huruf Katakana.
Pre condition User telah berada pada halaman utama sistem.
Universitas Sumatera Utara
Tabel 3.1 Use Case Spesikasi untuk Use Case Cari Citra lanjutan
Characteristic of activation Eksekusi dapat dilakukan oleh siapapun
Basic flow - User mengklik menu cari citra.
- Sistem akan menampilkan tempat penyimpanan citra.
- User memilih citra yang akan diproses pada sistem.
- Use case ini berakhir ketika sistem telah selesai menampilkan citra yang telah dipilih oleh user.
Post condition Pada use case ini user dapat melakukan pencarian
citra tulisan tangan Jepang jenis huruf Katakana. Limitations
-
Tabel 3.2 Use Case Spesikasi untuk Use Case Proses Citra
Nama use case Proses Citra
Aktor User
Deskripsi Use case ini digunakan oleh user untuk memproses
citra tulisan tangan Jepang jenis huruf Katakana yang telah dipilih oleh user dan telah ditampilkan
pada sistem. Pre condition
Semua jenis user dapat mengakses use case ini tanpa syarat apapun
Characteristic of activation Eksekusi dapat dilakukan oleh siapapun
Basic flow - User mengklik menu image processing.
- Sistem akan melakukan tahapan preprocessing citra dan feature extraction.
- Sistem akan melakukan proses pelatihan citra untuk pengenalan jenis huruf
Universitas Sumatera Utara
- Use case ini berakhir ketika sistem telah selesai menampilkan citra akhir yang beserta dengan
hasil pengenalan huruf Post condition
Pada use case ini user dapat melihat hasil pengenalan jenis huruf pada sistem.
Limitations -
3.3.3 Diagram aktivasi aplikasi Diagram aktivasi dari aplikasi menggambarkan urutan aktivitas dalam aplikasi yang
sedang dirancang. Dengan adanya diagram aktivasi dapat membantu memahami proses rancangan aplikasi secara keseluruhan. Diagram aktivasi yang peneliti buat menampilkan
aktivitas dalam aplikasi yang dapat dilihat pada gambar 3.12
user
Pilih citra
Menampilkan tempat penyimpanan citra
Pilih citra yang ingin di uji Menampilkan citra yang
telah dipilih
Gambar 3.12 Diagram Aktivasi untuk Mencari Citra
Pada Gambar 3.12, jika user ingin mencari citra tulisan tangan Jepang jenis huruf Katakana maka dapat dilakukan dengan memilih menu cari citra kemudian sistem akan
menampilkan halaman tempat penyimpanan citra. Setelah user memilih citra yang
Universitas Sumatera Utara
diinginkan maka sistem akan menampilkan citra tersebut pada tempat yang telah tersedia pada halaman sistem utama.
user
Pilih proses citra
Melakukan proses image processing, feature extraction,
dan klasifikasi
Menampilkan hasil pengenalan
Gambar 3.13 Diagram Aktivasi untuk Proses Citra
Pada Gambar 3.13, jika user ingin melakukan pemorsesan citra yang telah dipilih maka dapat dilkukan dengan memilih menu proses citra kemudian sistem akan memproses citra
dengan melakukan tahapan preprocessing, feature extraction, dan klasifikasi. Setelah selesai melakukan tahapan tersebut, sistem akan menampilkan hasil akhir pemorsesan
citra.
3.3.4 Perancangan antarmuka aplikasi
Antarmuka sistem dari aplikasi dirancang untuk memudahkan user dalam menggunakan
aplikasi yang telah dibangun.
Antarmuka sistem merupakan sebuah alur komunikai antara user dengan sistem. Dengan kata lain antarmuka sistem digunakan sebagai media antara user dan komputer
agar dapat berinteraksi satu sama lain. Sehingga user dapat lebih mudah mengerti dan menggunakan sistem tersebut. Disini akan dijabarkan tentang rancangan halaman dan
Universitas Sumatera Utara
menu pada sistem yang akan dibuat. Berikut adalah gambar rancangan dasar antarmuka dari aplikasi identifikasi tulisan Jepang huruf Katakana
1. Rancangan Halaman Awal Halaman awal merupakan halaman untuk memulai aplikasi. Untuk masuk kehalaman
utama maka user diharuskan untuk menekan tombol start application. Adapun rancangan yang dibuat seperti pada gambar 3.14
Gambar 3.14 Rancangan Halaman Awal
Keterangan : A = Tampilan judul pada halaman awal aplikasi
B = Tombol untuk memulai aplikasi
2. Rancangan Halaman Utama Halaman ini merupakan halaman utama aplikasi. Pada halaman ini user dapat
melakukan proses indentifikasi tulisan Jepang huruf Katakana. Adapun rancangan yang dibuat seperti pada gambar 3.15
Universitas Sumatera Utara
Gambar 3.15 Rancangan Halaman Utama
Keterangan : C = Tempat tampilan citra yang dipilih untuk diproses
D = Tempat tampilan citra yang sudah diproses E = Tombol untuk memilih citra
F = Tombol untuk melakukan proses pada citra G = Hasil output dari proses pengenalan citra
H = Tombol untuk melakukan proses pengenalan citra
Universitas Sumatera Utara
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
Pada bab ini akan dijelaskan pengimplementasian metode Recurrent Neural Network pada aplikasi pengenalan tulisan Jepang huruf Katakana. Kemudian dilakukan pengujian
terhadap sistem yang telah dibangun.
4.1 Kebutuhan Sistem