Data yang Digunakan Perancangan Sistem

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