Deteksi kemiringan citra dokumen beraksara latin menggunakan Hough Transform.

DETEKSI KEMIRINGAN CITRA DOKUMEN BERAKSARA

LATIN MENGGUNAKAN HOUGH TRANSFORM

HALAMAN SAMPUL

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh:

Theodora Ratri Dewanti

135314049

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

SKEWNESS DETECTION OF LATIN MANUSCRIPT IMAGE

USING HOUGH TRANSFORM

HALAMAN SAMPUL

THESIS

Presented as Partial Fulfilment of Requirements To Obtain Sarjana Komputer degree In Informatics Engineering Department

By:

Theodora Ratri Dewanti

135314049

INFORMATICS ENGINEERING STUDY PROGRAM

INFORMATICS ENGINEERING DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

HALAMAN MOTTO DAN PERSEMBAHAN

“Dan apa saja yang kamu minta dalam doa dengan penuh kepercayaan, kamu akan menerimanya (Matius 21:22)”

“Bersukacitalah dalam pengharapan, sabarlah dalam kesesakan, dan bertekunlah dalam doa! (Roma 12:12)”

Karya ini saya persembahkan kepada: Tuhan Yesus dan Bunda Maria Kedua orangtua (Mama Gani & Papa Boni), Kakak Seruni dan Sahabat yang senantiasa memberikan semangat, doa, motivasi Keluarga besarku dan seluruh sahabat-sahabat yang selalu memberikan dukungannya Dan untuk pendidikan di Indonesia

ABSTRAK

Adanya kemajuan teknologi yang begitu pesat pada saat ini, membuat orang seringkali mendigitalisasi dokumen teks menggunakan scanner atau menggunakan kamera untuk berbagai kepentingan. Pada proses pemindaian atau pengambilan gambar dokumen teks, seringkali terjadi kemiringan pada hasil gambar tersebut yang dikarenakan berbagai hal seperti ketebalan buku, posisi pengambilan gambar dan yang lainnya. Hal ini akan menyebabkan hasil yang tidak akurat dalam pengolahan citra selanjutnya seperti pengenalan karakter atau Optical Character Recognition.

Dalam pengenalan karakter atau Optical Character Recognition dibutuhkan beberapa proses awal (pre-processing) yang harus dilalui, agar hasil pengenalan karakter maksimal dapat dilakukan salah satunya proses deteksi kemiringan. Pada tugas akhir ini proses deteksi kemiringan pada citra dokumen beraksara Latin dilakukan menggunakan metode hough transform. Hough transform menggunakan menggunakan pemungutan suara (voting) terbanyak untuk menentukan nilai parameter yang tepat.

Percobaan ini dilakukan dengan data masukkan sebanyak 40 file citra dengan format .png yang berasal dari buku Mengenal Pantun dan Puisi Lama karya Eko Sugiarto. Berdasarkan pengujian dengan memberikan variasi sudut kemiringan pada 40 citra dokumen teks, diperoleh rata-rata persentase keberhasilan sebesar 93.64% dan waktu rata-rata untuk memproses mencapai 79.5350 detik

ABSTRACT

Nowadays, growth of technology is keep being fast, make some people oftenly digitalized a document or book by using scanner or camera for many importances. In its process, oftenly happen a slope on the result that been caused by many factors, such as thickness of book and the positition while taking a picture of the document etc. these factors can cause a result not accurately in the next step of image preprocessing, such as character recognition or Optical Character Recognition.

In character recognition or Optical Character Recognition it is necessary to do some process in the beginning (preprocessing) which is must be through so it can make an excellent result in character recognition, such as skewness detection. In this final assignment, skewnesss detection has been done by using hough transform. Hough transform use the voting to define an appropriate parameter.

In this research, the input data using 40 .png image files from “Mengenal Pantun dan Puisi Lama” by Eko Sugiarto. Based on testing by given a variance angle for 40 image files, the average of succesfull rate is 93,64% and the average of time consume is 79,5350 seconds.

KATA PENGANTAR

Puji syukur kami haturkan kepada Tuhan Yang Maha Esa atas berkat-Nya dan bimbingan Roh Kudus yang telah dicurahkan kepada penulis sehingga dapat menyelesaikan Tugas Akhir “Deteksi Kemiringan Citra Dokumen Beraksara Latin menggunakan Hough Transform” ini dengan baik.

Dalam penyelesaian tugas akhir ini, penulis tidak terlepas dari bantuan dan dukungan dari sejumlah pihak, oleh sebab itu dalam kesempatan ini penulis ingin mengucapkan terima kasih kepada:

1. Tuhan Yesus dan Bunda Maria yang senantiasa melimpahkan kasih karunia dan bimbingan Roh KudusNya.

2. Bapak Sudi Mungkasi, Ph.D. selaku Dekan Fakultas Sains & Teknologi Universitas Sanata Dharma.

3. Ibu Dr. Anastasia Rita Widiarti selaku Dosen Pembimbing skripsi dan Ketua Program Studi Teknik Informatika Universitas Sanata Dharma atas saran, waktu dan kesabaran dalam membimbing penulis.

4. Kedua orang tua penulis, Mama MG. Gani dan Papa Bonifasius serta Mbak Seruni yang senantiasa memberikan semangat dan doa.

5. Ibu Agnes Maria Polina, S.Kom., M.Sc. selaku dosen pembimbing akademik.

6. Seluruh dosen yang telah memberikan ilmunya dalam perkuliahan dan pengerjaan tugas akhir ini.

7. Teman-teman TI B(er) 7 yakni: Dewi, Nindya, Lisa, Komeng, Novy dan Laura atas inspirasi, tertawaanya, motivasi, kebersamaan, hiburan dan semangat yang selalu diberikan serta selalu ada kapanpun dibutuhkan. 8. Seluruh mahasiswa bimbingan tugas akhir bu Rita (Rusydi, Jonathan,

Kasih, Rini, Fanny, dan yang lainnya) atas bantuan, semangat, diskusi dan motivasi yang diberikan.

9. Teman-teman Teknik Informatika Sanata Dharma angkatan terlebih 2012 dan 2013 atas bantuannya selama perkuliahan maupun pengerjaan tugas akhir.

10.Seluruh penghuni kost Wisma Amakusa (Friesca, Indah, Kak Herta, Kak Rina, Kak Dewi, dll) atas kebersamaanya dan dukungan yang diberikan untuk penulis.

11.Bu Elly, Vincentia, dan Desnita serta teman-teman Originmadence yang telah bersedia mendengarkan keluh kesah, memberikan motivasi dan semangat dalam perkuliahan maupun pembuatan tugas akhir.

12.Semua pihak yang tidak dapat disebutkan satu persatu, yang telah memberikan doa, semangat, motivasi, inspirasi, hiburan, dukungan serta memberikan bantuannya selama penyusunan tugas akhir ini.

Penulis menyadari bahwa masih banyak kekurangan yang terdapat pada tugas akhir ini, saran dan kritik sangat diharapkan dari pembaca yang dapat bermanfaat pada masa mendatang. Akhir kata, penulis berharap tugas akhir ini memberikan manfaat bagi sesama dan pendidikan di Indonesia.

Yogyakarta, 16 Juni 2017

DAFTAR ISI

HALAMAN SAMPUL ... i

HALAMAN SAMPUL ... ii

HALAMAN PENGESAHAN ... iv

HALAMAN MOTTO DAN PERSEMBAHAN ... v

PERNYATAAN KEASLIAN KARYA ... vi

LEMBAR PERNYATAAN PERSETUJUAN ... vii

ABSTRAK ... viii

ABSTRACT ... ix

KATA PENGANTAR ... x

DAFTAR ISI ... xii

DAFTAR GAMBAR ... xv

DAFTAR TABEL ... xvi

BAB I PENDAHULUAN ... 1

1.1. Latar Belakang ... 1

1.2. Rumusan masalah ... 2

1.3. Tujuan Penelitian ... 3

1.4. Batasan Masalah ... 3

1.5. Manfaat Penelitian ... 3

1.6. Metodologi Penelitian ... 3

1.7. Sistematika Penulisan ... 4

BAB II LANDASAN TOERI ... 6

2.1. Pengertian Citra ... 6

2.2. Pengertian Citra Digital ... 6

2.3 Piksel ... 7

2.3. Jenis Citra ... 7

2.4.1. Citra Biner ... 7

2.4.2. Citra Graysscale ... 7

2.4. Format Citra Portable Network Graphics (.png) ... 8

2.5. Grayscaling ... 9

2.6. Binerisasi ... 9

2.7. Deteksi Tepi ... 10

2.8. Dokumen Teks ... 11

2.9. Kemiringan ... 11

2.10. Radian ... 12

2.11. Derajat ... 12

2.12. Hough Transform ... 12

2.13. Rotasi ... 15

BAB III METODE PENELITIAN... 17

3.1 Bahan / Data ... 17

3.2 Peralatan Penelitian ... 18

3.2.1 Kebutuhan Perangkat Keras ... 18

3.2.2 Kebutuhan Perangkat Lunak ... 19

3.3 Cara Penelitian ... 19

3.3.1. Studi Pustaka ... 19

3.3.2. Pengumpulan Data ... 19

3.3.3. Perancangan dan Pembuatan Alat Uji ... 19

3.3.4. Perancangan Pengujian ... 27

3.3.5. Pengujian ... 28

3.3.6. Analisa... 29

3.4 Desain User Interface ... 29

BAB IV IMPLEMENTASI SISTEM ... 31

4.1. Implementasi User Interface ... 31

4.2. Implementasi Membaca Gambar ... 32

4.3. Implementasi Grayscaling ... 34

4.4. Implementasi Binerisasi ... 35

4.5. Implementasi Deteksi Tepi ... 36

4.6. Implementasi Hough Transform ... 37

4.8. Implementasi Waktu ... 38

4.9. Implementasi Tombol Reset ... 39

BAB V HASIL DAN ANALISA ... 40

5.1. Data Masukkan ... 40

5.2. Pengujian Data Masukkan ... 42

5.3. Hasil Deteksi Kemiringan ... 45

5.4. Analisa Deteksi Kemiringan... 48

BAB VI KESIMPULAN DAN SARAN ... 50

6.1. Kesimpulan ... 50

6.2. Saran ... 50

DAFTAR PUSTAKA ... 52

LAMPIRAN ... 55 Lampiran I ... L-1 Lampiran II... L-5 Lampiran III ... L-55

DAFTAR GAMBAR

Gambar 2. 1 Citra biner dan representasinya ... 7

Gambar 2. 2 Citra grayscale dan representasinya... 8

Gambar 2. 3 Citra hasil deteksi tepi ... 10

Gambar 2. 4 Citra Dokumen Teks ... 11

Gambar 2. 5 Ilustrasi suatu titik dalam koordinat kartesian ... 14

Gambar 2. 6 Kurva Sinusoida (Sumber: Sunarya, 2013) ... 15

Gambar 2. 7 Proses rotasi (a) Citra dokumen teks yang miring 10° (b) citra input yang dirotasi sebesar 10° ... 16

Gambar 3. 1 Citra dokumen teks yang dimiringkan 7° ... 17

Gambar 3. 2 Citra dokumen teks yang dimiringkan 28° ... 18

Gambar 3. 3 Diagram Konteks ... 20

Gambar 3. 4 Diagram alur sistem ... 21

Gambar 3. 5 Gambaran Proses binerisasi ... 22

Gambar 3. 6 Diagram Alur hough transform ... 24

Gambar 3. 7 Array accumulator yang bernilai nol ... 25

Gambar 3. 8 Desain User Interface ... 30

Gambar 4. 1 Implementasi User Interface ... 32

Gambar 4. 2 Implementasi membaca citra masukkan ... 33

Gambar 4. 3 Citra Masukkan ditampilkan... 33

Gambar 4. 4 Implementasi Grayscaling ... 35

Gambar 4. 5 Implementasi Binerisasi... 36

Gambar 4. 6 Implementasi Deteksi Tepi ... 37

Gambar 4. 7 Implementasi Tombol Reset ... 39

Gambar 5. 1 Citra Dokumen Teks Data_25.png ... 42

DAFTAR TABEL

Tabel 5. 1 Citra Dokumen Masukkan ... 40 Tabel 5. 2 Contoh hasil yang sudah dan dirotasi ... 44 Tabel 5. 3 Hasil implementasi pada data masukkan... 45

BAB I

PENDAHULUAN

1.1. Latar Belakang

Bahasa tulis atau aksara digunakan sebagai tanda untuk membedakan masa prasejarah dengan masa sejarah. Adanya tulisan atau aksara yang digunakan untuk menuliskan sebuah bahasa juga merupakan tanda kemajuan dari masyarakat. Tulisan atau aksara yang digunakan di dunia ini bermacam-macam. Secara umum ada 3 kategori aksara yang digunakan sebagai lambang tulisan, yaitu dari kiri ke kanan seperti abjad Latin, dari kanan ke kiri seperti huruf Arab, dan dari atas ke bawah seperti huruf Kanji dalam bahasa Jepang. Saat ini hampir seluruh masyarakat melakukan komunikasi atau memberikan informasi yang dilakukan dengan tulisan menggunakan aksara Latin. Terdapat 26 huruf dalam aksara Latin atau yang biasa disebut dengan alphabet (Yazidi, 2013). Penulisan untuk komunikasi atau informasi yang dilakuan pada kertas dan atau yang lainnya dapat disebut sebagai dokumen teks.

Terdapat banyak dokumen-dokumen teks yang penting seperti naskah teks proklamasi yang ditulis menggunakan aksara Latin. Adanya kemajuan teknologi yang begitu pesat pada saat ini, membuat orang seringkali mendigitalisasi dokumen teks menggunakan scanner atau menggunakan kamera untuk berbagai kepentingan, seperti mendigitalisasi naskah teks proklamasi agar bentuk asli teks proklamasi tersebut tetap terjaga. Pada proses pemindaian atau pengambilan gambar dokumen teks, seringkali terjadi kemiringan pada hasil gambar tersebut. Hal ini menyebabkan hasil yang tidak akurat dalam pengolahan citra selanjutnya, seperti segmentasi page layout analysis, pengenalan karakter atau OCR (Optical Character Recognition) dan document retrieval (Sunarya, 2013). Dalam pengenalan karakter atau Optical Character Recognition dibutuhkan beberapa proses awal (pre-processing) yang harus dilalui mulai dari tahap grayscaling, binerisasi citra hingga pada akhir proses pengenalan karakter dan salah satu pre-processing yang dapat digunakan sebelum

pengenalan karakter adalah proses deteksi kemiringan.

Proses deteksi kemiringan merupakan proses untuk mendeteksi sudut kemiringan dari suatu dokumen sehingga dokumen tersebut dapat diperbaiki berdasarkan sudut kemiringan yang didapatkan (Kurdianata, 2006). Deteksi kemiringan juga sangat diperlukan agar proses berikutnya seperti segmentasi atau pengenalan karakter akan lebih maksimal. Terdapat berbagai macam algoritma untuk mendeteksi kemiringan. Algoritma yang diperlukan adalah yang dapat mendeteksi dengan akurat, salah satunya adalah hough transform.

Hough transform adalah salah satu algoritma untuk yang dapat digunakan untuk mendeteksi garis lurus, metode hough transform juga popular karena kesederhanaanya. Hough transform menggunakan array 2 dimensi yang disebut array accumulator. Metode ini pernah diterapkan untuk mendeteksi dan memperbaiki aksara Devanagari dengan menguji data sebanyak 1050 kata memiliki akurasi untuk memperbaiki kemiringan mencapai 92.88% dan untuk segmentasi huruf mencapai 97% (Jundale dan Hegadi, 2015). Transformasi Hough memiliki kelebihan dapat mendeteksi sebuah tepian dengan celah pada batas fitur dan secara relatif tidak dipengaruhi oleh derau atau noise (Sunarya, 2013). Melihat hal ini penulis akan menggunakan metode hough transform pada citra dokumen beraksara latin untuk menguji apakah metode ini dapat digunakan untuk mendeteksi kemiringan pada citra dokumen beraksara Latin.

1.2. Rumusan masalah

Dari permasalahan diatas, maka masalah yang akan dipecahkan dalam penelitian ini adalah:

Berapa tingkat akurasi untuk deteksi kemiringan pada citra dokumen teks beraksara Latin dengan menggunakan hough transform?

1.3. Tujuan Penelitian

Berdasarkan rumusan masalah diatas maka tujuan penelitian yaitu:

Mengetahui tingkat akurasi pada deteksi kemiringan citra dokumen beraksara Latin

1.4. Batasan Masalah

Agar penulisan tugas akhir ini lebih terarah, maka penulis akan membatasi masalah: 1. Data citra aksara latin dalam bentuk cetak

2. Data citra didapatkan dengan melakukan pemindaian menggunakan mesin pemindai (scanner)

3. Citra diproses adalah citra yang beraksara latin dengan ekstensi .png 4. Data citra sudah dimirngkan dengan derajat kemiringan sudah diketahui

1.5. Manfaat Penelitian

Berdasarkan tujuan penelitian diatas, manfaat yang dapat diberikan adalah:

1. Kemiringan yang dideteksi dapat membantu dalam proses selanjutnya seperti: pengenalan karakter (Optical Character Recognition), segmentasi dan yang lainnya

2. Memberikan gambaran kepada calon peneliti berikutnya yang akan melakukan penelitian tentang deteksi kemiringan pada citra dokumen

1.6. Metodologi Penelitian

Metodologi penelitian dalam penulisan ini adalah: 1. Studi pustaka

Studi pustaka yang dilakukan adalah tentang preprocessing pada citra dan deteksi kemiringan pada citra dengan menggunakan hough transform melalui buku-buku pendukung, jurnal dan yang didapat dari internet maupun perkuliahan.

2. Pengumpulan data dokumen teks beraksara Latin menggunakan pemindai (scanner) pada printer Canon MG2570 dengan resolution 600 dpi.

3. Perancangan dan pembuatan alat uji

Perancangan dan pembuatan alat uji yang akan digunakan untuk menghitung akurasi deteksi kemiringan dengan metode hough transform dengan menggunakan MATLAB R2010a meliputi tahap preprocessing hingga menghasilkan output berupa derajat kemiringan dan gambar yang sudah dirotasi sebesar nilai derajat yang ditemukkan.

4. Membuat Perancangan Pengujian

Data masukkan untuk pengujian ini sebanyak 40 data citra dokumen beraksara Latin dari buku Mengenal Pantun dan Puisi Lama. Pengujian dilakukan dengan menghitung persentase keberhasilan dan persentase error. Persentase error akan menjadi nol ketika hasil deteksi kemiringan memiliki nilai yang sama dengan kemiringan yang sesungguhnya.

5. Melakukan pengujian

Data masukkan untuk pengujian ini sebanyak 40 data citra dokumen beraksara Latin, kemudian data dimasukan satu per satu kedalam sistem.

6. Melakukan analisa dari implementasi metode hough transform termasuk kekurangan dan kelebihan program yang telah dibuat.

1.7. Sistematika Penulisan

Dalam penyusunan laporan tugas akhit ini akan terdiri dari enam bab, dengan menggunakan sistematika sebagai berikut:

BAB I PENDAHULUAN

Bab ini akan dijelaskan latar belakang, rumusan masalah. tujuan, batasan masalah, metodologi penelitian dan sistematika penulisan.

BAB II LANDASAN TEORI

Bab ini akan membahas tentang mengenai pengertian citra dan pengertian dan tujuan deteksi kemiringan serta metode yang digunakan yaitu hough transform beserta rumus-rumus yang akan digunakan.

BAB III METODOLOGI PENELITIAN

Bab ini berisi tentang bahan atau data yang akan digunakan, analisis dan gambaran umum perancangan sistem, rancangan proses, rancangan pengujian serta rancangan antar muka.

BAB IV IMPLEMENTASI SISTEM

Bab ini berisi implementasi dari perancangan sistem deteksi kemiringan menggunakan hough transform berdasarkan perancangan sistem yang telah dibuat pada bab III.

BAB V HASIL DAN ANALISA

Bab ini berisi mengenai data-data yang digunakan, pengujian dan hasil pengujian, serta analisa hasil implementasi deteksi kemiringan menggunakan hough transform.

BAB VI KESIMPULAN DAN SARAN

Bab ini berisi kesimpulan dan saran dari hasil analisa, perancangan dan implementasi sistem.

BAB II

LANDASAN TOERI

Pada bab ini akan dibahas mengenai pengertian citra digital, pengertian dan tujuan deteksi kemiringan, teori hough transform dan implementasinya pada deteksi kemiringan.

2.1. Pengertian Citra

Secara fisis atau visual, sebuah citra adalah representasi dari informasi yang terkandung di dalamnya sehingga mata manusia dapat menganalisis dan menginterpretasikan informasi tersebut sesuai dengan tujuan yang diharapkan (Madenda, 2015). Secara umum citra dapat dikelompokkan menjadi dua, yakni citra tampak dan citra tak tampak. Citra tampak dapat berupa lukisan, foto yang sudah dicetak dan sebagainya, sedangkan citra tak tampak ini biasa disebut dengan citra digital atau citra yang disimpan dalam format digital. Dari kedua kelompok citra tersebut, hanya citra tak tampak atau citra digital yang dapat diolah menggunakan komputer.

2.2. Pengertian Citra Digital

Citra digital umumnya merupakan data dua dimensi (2D). Pada unumnya citra digital berbentuk persegi atau persegi panjang. Citra digital merupakan sebuah array, sehingga suatu citra dapat didefinisikan sebagai fungsi , berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial. Nilai pada suatu irisan baris dan kolom disebut dengan picture elements, image elements, pels, atau piksel (Putra, 2010). Piksel merupakan elemen terkecil dalam suatu gambar digital. Nilai setiap piksel pada posisi koordinat dan mempresentasikan intensitas warna (Madenda, 2015).

2.3Piksel

Setiap piksel mewakili tidak hanya satu titik dalam sebuah citra melainkan sebuah bagian berupa kotak yang merupakan bagian terkecil (sel). Piksel juga dapat diartikan sebagai elemen gambar yang berisi informasi mengenai warna. Pada citra 3D satuan atau bagian terkecilnya bukan lagi sebuah piksel, melainkan sebuah voxel (Putra, 2010).

2.3. Jenis Citra

Nilai suatu piksel memiliki rentang tertentu secara umum jangkauannya adalah 0 - 255, berikut adalah jenis-jenis citra berdasarkan nilai pikselnya:

2.4.1. Citra Biner

Citra biner atau yang biasa disebut monokrom (black and white) merupakan citra digital yang nilai disetiap pikselnya hanya memiliki dua kemungkinan, yaitu satu dan nol. Hanya dibutuhkan 1 bit untuk mewakili nilai setiap pikselnya. Gambar 2.1 merupakan contoh representasi citra biner.

Gambar 2. 1 Citra biner dan representasinya

2.4.2. Citra Graysscale

Citra grayscale atau yang biasa disebut keabuan adalah citra yang memiliki tiga kombinasi warna yakni: putih, keabuan dan hitam. Tingkatan keabuan di sini merupakan warna abu dengan berbagai tingkatan dari hitam, keabuan hingga

mendekati putih (Putra, 2010). Citra grayscale merupakan citra di mana nilai pikselnya hanya diwakilkan oleh nilai luminance (Madenda, 2015). Citra grayscale membutuhkan 8 bit untuk mempresentasikan nilai pikselnya. Gambar 2.2 merupakan contoh representasi citra biner.

Gambar 2. 2 Citra grayscale dan representasinya

2.4.3. Citra Warna

Pada citra warna atau citra true color, setiap piksel diwakili tiga warna dasar yakni: merah, hijau dan biru atau yang biasa disebut RGB dengan berbagai kombinasi. Setiap piksel dari citra warna diwakili oleh 8 bit dengan nilai maksimum 256. Warna yang direpresentasikan pada nilai piksel citra warna mengandung luminance, hue dan saturation. Pada citra warna memiliki variasi warna sampai dengan 16.777.216 warna. Dengan demikian untuk citra warna dibutuhkan 3 byte memori.

2.4. Format Citra Portable Network Graphics (.png)

Format file citra standar yang digunakan saat ini terdiri dari beberapa jenis. Setiap file format memiliki karakteristik masing-masing. Salah satu format file citra adalah format .png adalah format penyimpanan citra terkompresi. Format ini dapat digunakan pada citra grayscale, citra dengan palet warna, dan juga citra fullcolor. Format .png juga mampu menyimpan informasi hingga kanal alpha dengan penyimpanan sebesar 1 hingga 16 bit per kanal.

2.5. Grayscaling

Grayscaling adalah proses perubahan nilai piksel dari citra berwarna (RGB) menjadi citra keabuan atau citra grayscaling. Citra grayscaling secara digital dapat direpresentasikan dalam bentuk array dua dimensi. Citra grayscaling memiliki satu nilai kanal pada setiap pikselnya, artinya nilai dari Red = Green = Blue. Berbeda dengan citra “hitam-putih”, citra grayscaling terdiri atas warna hitam, abu-abu dan putih warna hitam pada bagian yang intensitas terlebah dan warna putih pada intensitas terkuat.

Citra grayscaling disimpan dalam format 8 bit, yang memungkinkan sebanyak 256 intensitas warna. Untuk mengubah citra berwarna yang mempunyai nilai matriks masing-masing R, G dan B menjadi citra grayscale dengan nilai x, maka konversi dapat dilakukan dengan mengambil rata-rata dari nilai R, G, dan B dengan dituliskan sebagai berikut:

= �+�+� (2.1)

2.6. Binerisasi

Binerisasi adalah proses untuk membuat citra warna menjadi hitam dan putih. Citra biner merupakan citra yang memiliki dua kemungkinan warna yaitu hitam atau putih. Dalam proses binerisasi pertama kali akan dicari nilai ambang (threshold). Binerisasi mampu memisahkan antara foreground dan background. Pemisahan foreground dan background didapatkan dari hasil pencarian nilai ambang (thresholding). Sebuah citra biner disimpan dalam matriks dengan 2 nilai kemungkinan, yakni 0 dan 1. Citra biner merupakan citra yang banyak dimanfaatkan untuk pattern recognition. Salah satu metode yang dapat digunakan untuk proses binerisasi adalah metode otsu. Secara umum proses binerisasi menggunakan metode otsu adalah sebagai berikut:

Dengan , adalah citra biner dari citra grayscale , dan T adalah nilai ambang (threshold) dari citra masukkan.

2.7. Deteksi Tepi

Deteksi tepi merupakan salah satu tahap preprocessing. Tepian dari sebuah citra dapat mengandung informasi penting dari citra tersebut. Tepian citra dapat merepresentasikan objek-objek yang terkandung didalam citra tersebut, seperti bentuk atau teksturnya dan bermanfaat untuk segmentasi, indentifikasi obyek atau yang lainnya. Deteksi tepi suatu citra akan menghasilkan tepi-tepi dari obyek citra, tujuannya antara lain: untuk menandai bagian yang menjadi detail citra, memperbaiki detail citra yang kabur, adanya efek proses akusisi citra, dan mengubah citra 2D menjadi bentuk kurva. Tepian citra adalah posisi di mana intensitas piksel dari citra berubah dari nilai rendah ke nilai tinggi atau sebaliknya. Tepian citra dapat dilihat melalui perubahan intensitas piksel pada suatu area. Terdapat berbagai metode untuk mendeteksi tepian sebuah citra. Hasil dari citra yang dikenai proses deteksi tepi dapat dilihat pada gambar 2.3

2.8. Dokumen Teks

Naskah atau dokumen teks adalah tulisan atau ketikan yang ditulis atau dicetak diatas kertas. Sedangkan, citra dokumen teks merupakan citra yang berisi teks atau tulisan yang disimpan dalam format digital. Dokumen teks dapat meliputi buku, majalah, koran, dan yang lainnya. Citra dokumen teks dapat dilihat pada gambar 2.4 dibawah ini.

Gambar 2. 4 Citra Dokumen Teks

2.9. Kemiringan

Kemiringan merupakan besarnya sudut yang dibentuk dari suatu garis terhadap garis horizontal yang saling berpotongan (Kurdianata, 2006). Dalam

matematika kemiringan disebut juga gradien dan diberi tanda dengan huruf . Arah dari garis kemiringan tersebut bermacam-macam baik meningkat, menurun, horizontal maupun vertikal. Proses deteksi kemiringan sangat diperlukan dalam pengolahan citra digital, hal ini dikarenakan kemiringan yang terjadi dapat mempengaruhi pada proses selanjutnya seperti segmentasi dan pengenalan karakter.

2.10. Radian

Radian merupakan salah satu satuan sudut. Radian adalah sudut pusat lingkaran yang diapit oleh dua jari-jari dengan busur didepannya yang sama panjang dengan jari-jari tersebut (Bramasti, 2012). Satu putaran penuh sebuah lingkaran adalah 360° yang sama dengan 2 rad. Satuan derajat radian dapat diubah menjadi derajat dengan menggunakan rumus berikut:

1 radian = 8 °

� (2.3)

2.11. Derajat

Satuan sudut lainnya yang dikenal secara luas adalah derajat atau derajat busur yang dapat ditulis dengan simbol ° yang dapat juga disebut menjadi menit busur yang dapat ditulis dengan simbol ' dan detik busur dengan simbol ''. Dalam satu lingkaran penuh terdapat 360° dan setiap 1° setara dengan 0.0174533 radian.

2.12. Hough Transform

Hough transform adalah teknik ekstraksi fitur yang digunakan dalam digital image processing. Gonzalez, dkk. (2004) menyatakan bahwa satu pendekatan yang dapat digunakan untuk mencari dan menghubungkan segmentasi pada gambar adalah dengan hough transform. Hough transform pertama kali diperkenalkan oleh Paul Hough pada tahun 1962 untuk mendeteksi garis lurus. Hough transform adalah teknik transformasi citra dengan menemukan batas-batasnya (Putra, 2010).

Keuntungan utama dari hough transform adalah dapat mendeteksi sebuah tepian dengan celah pada batas fitur dan secara relatif tidak dipengaruhi oleh derau atau noise. Hough transform juga sangat terkenal karena kekuatan dan kesederhanaanya (Singh, Bhatia, dan Kaur, 2008). Hough transform juga menggunakan menggunakan pemungutan suara (voting) terbanyak untuk menentukan nilai parameter yang tepat. Apabila dalam citra terdapat beberapa garis yang saling berpotongan pada suatu titik, maka persamaan garis lurus dapat dituliskan, sebagai berikut:

= + (2.4)

Dimana merupakan gradient, merupakan titik absis dan merupakan titik yang bersinggungan dengan sumbu . Pada model persamaan diatas tersebut terdapat kesulitan karena pada garis vertikal mempunyai nilai gradien kemiringan

yang besarnya tak terhingga ∞) untuk itu digunakanlah persamaan (2.5).

� = � � � + �� � (2.5)

Dengan dan merupakan titik koordinat yang menyusun obyek garis tersebut, sedangkan � adalah sudut yang dibentuk antara obyek garis dengan sumbu dan � dengan titik pusat (0,0). Gambar koordinat kartesiannya, ditunjukkan pada gambar 2.5. Besar nilai untuk theta (� pada persamaan (2.5) adalah −� ° �

� °. Sedangkan besarnya nilai � adalah −� � �, maka untuk mencari nilai

� digunakan persamaan (2.6)

� = √ + (2.6)

Apabila dalam citra terdapat suatu garis lurus, maka akan terjadi titik penumpukan pada kurva sinusoida (koordinat polar).

Gambar 2. 5 Ilustrasi suatu titik dalam koordinat kartesian

Pada sistem koordinat polar, pada suatu titik ditulis dengan , � . Hubungan koordinat kartesius , dan koordinat polar , � dapat dinyatakan dengan persamaan berikut:

= cos � (2.7)

= sin � (2.8)

Dimana adalah:

= √ + (2.9)

Sehingga untuk nilai � adalah:

tan � = (2.10)

� = arctan (2.11)

Dengan dan merupakan titik pada koordinat kartesian, dan adalah jarak dengan titik pusat (0,0). Hasil transformasi koordinat kartesian kedalam koordinat polar dapat dilihat pada gambar 2.6.

Gambar 2. 6 Kurva Sinusoida (Sumber:Sunarya, 2013)

Secara garis besar hough transform bekerja dengan memanfaatkan sebuah deret array yang dimanakan accumulator. Array accumulator digunakan untuk menyimpan titik potong antara 2 kurva sinusoidal. Ukuran untuk array accumulator bergantung pada besarnya nilai rho dan theta. Metode hough transform akan mendeteksi garis lurus dengan menemukan semua garis yang ditentukan oleh dua buah piksel dan memeriksa apakah sebagian dari piksel tepi termasuk dalam garis terebut.

2.13. Rotasi

Rotasi merupakan salat satu proses geometri. Operasi geometri adalah proses perubahan hubungan spasial antara setiap piksel pada sebuah citra. Operasi geometri memetakan kembali piksel citra input dari posisi awal , ke posisi baru , . _{Rotasi adalah suatu transformasi geometri memindahkan nilai-nilai}

pixel dari posisi awal menuju ke posisi akhir ynag ditentukan melalui nilai variable rotasi sebesar �° terhadap sudut 0° atau garis horizontal dari citra (Putra, 2010) . Rumus rotasi dapat dituliskan sebagai berikut:

′_{= � � � + �� � (2.12)}

Dalam hal ini, � adalah sudut rotasi yang berawanan arah jarum jam. Jika semula citra input adalah A dan citra rotasi adalah B, maka rotasi citra dari A ke B adalah:

[ ][ ] = [ ′_][ ′_{] (2.14)} merupakan citra hasil rotasi dengan koordinat baru berupa ( ′, ′ , sehingga hasil rotasi dapat dilihat seperti pada gambar 2.6.

(a) (b)

Gambar 2. 7 Proses rotasi (a) Citra dokumen teks yang miring 10° (b) citra input yang dirotasi sebesar 10°

BAB III

METODE PENELITIAN

Dalam bab ini akan dibahas mengenai data, perancangan sistem dan cara kerja metode hough transform yang akan digunakan dan proses yang akan dibangun untuk mendeteksi kemiringan pada dokumen teks.

3.1 Bahan / Data

Data yang digunakan dalam penelitian ini merupakan data dokumen teks. Data yang digunakan bersumber dari buku Mengenal Pantun dan Puisi Lama karya Eko Sugiarto dari halaman 11 sampai halaman 20. Selanjutnya dilakukan pemindaian terhadap buku tersebut menggunakan printer canon seri MG2570. Data dalam pemindaian ini akan dimiringkan dengan derajat kemiringan tertentu. Data tersebut nantinya masing-masing akan dimiringkan dengan berbagai variasi sudut menggunakan aplikasi Adobe Photoshop CC 2015. Sehingga total jumlah data yang digunakan dalam penelitian ini adalah data 40. Gambar 3.1 dan gambar 3.2 merupakan contoh data yang digunakan dalam penelitian ini.

Gambar 3. 2 Citra dokumen teks yang dimiringkan 28°

3.2 Peralatan Penelitian

Supaya sistem ini dapat berjalan dengan baik maka dibutuhkan perangkat keras dan perangkat lunak

3.2.1 Kebutuhan Perangkat Keras

Sistem ini membutuhkan perangkat keras dengan spesifikasi minimal sebagai berikut:

1. Laptop

Processor : Intel(R) Core(TM) i3-4030U CPU @190GHz

RAM : 4.00 GB

VGA : 2GB 2. Scanner

Alat untuk pemindai dalam penelitian ini adalah printer Canon MG2570 dengan resolution 600 dpi.

3.2.2 Kebutuhan Perangkat Lunak

Sistem ini membutuhkan perangkat lunak untuk pembuatan dan menjalankannya, perangkat lunak terssebut adalah sebagai berikut:

Windows 8.1 Pro Matlab R2010a

Adobe Photoshop CC 2015

3.3 Cara Penelitian

Terdapat berbagai cara untuk melakukan penelitian deteksi kemiringan ini, diantaranya adalah:

3.3.1. Studi Pustaka

Hal ini dilakukan untuk memperoleh informasi yang berkaitan dengan penelitian ini yakni citra, citra digital, tahap preprocessing, metode hough transform dan rotasi.

3.3.2. Pengumpulan Data

Data dokumen teks beraksara latin berjumlah 40 didapatkan dari hasil pemindaian buku Mengenal Pantun dan Puisi Lama karya Eko Sugiarto dan masing-masing akan dimiringkan dengan berbagai variasi sudut menggunakan aplikasi Adobe Photoshop CC 2015.

3.3.3. Perancangan dan Pembuatan Alat Uji 3.3.5.1. Gambaran Umum Sistem

Skenario sistem dimulai dari user memasukkan data citra berupa citra dokumen teks berformat .png dari hasil pemindaian pada buku cetak dan

keluaran dari sistem adalah direktori gambar, derajat kemiringan, waktu proses dan gambar yang sudah dirotasi dengan menggunakan derajat yang ditemukan.

Gambar 3. 3 Diagram Konteks

3.3.5.2. Alur Sistem

Alur sistem ini dimulai dari pengguna memasukkan citra dokumen teks beraksara Laitn dengan format .png. Setelah itu dilanjutkan dengan melakukan grayscaling lalu gambar diubah menjadi biner melalui proses binerisasi. Setelah dilakukan binerisasi maka selanjutnnya adalah deteksi tepi dengan menggunakan deteksi tepi canny, kemudian sistem akan melakukan proses deteksi kemiringan menggunakan hough transform dan menampilkan plot hough atau matriks hough. Keluaran dari sistem ini akan tampil direktori dari gambar, nilai derajat kemiringan, lamanya waktu yang di butuhkan untuk memproses dan citra yang sudah dirotasi menggunakan derajat yang ditemukan, proses tersebut dapat dilihat pada gambar 3.4.

Gambar 3. 4 Diagram alur sistem

1. Masukkan Citra

Pengguna pertama kali akan menekan tombol untuk memilih citra kemudian memasukkan citra dokumen teks yang sudah dipilih ke dalam sistem. Proses berikutnya sistem akan membaca file citra dokumen teks yang dimasukkan oleh pengguna.

2. Grayscaling

Setelah file citra dokumen teks sudah dimasukkan ke dalam sistem, file citra dokumen teks tersebut diubah menjadi citra grayscale. Citra grayscale merupakan citra digital yang memiliki satu nilai kanal pada setiap pikselnya, dengan kata lain nilai dari red = green = blue. Citra grayscale memiliki intensitas warna dari hitam, keabuan hingga putih. Merubah citra dari rgb menggunakan fungsi dari matlab yaitu rgb2gray.

3. Binerisasi

Tahap selanjutnya adalah melakukan binerisasi citra hasil grayscaling. Proses binerisasi adalah proses perubahan format skala keabuan (citra grayscaling) menjadi citra biner. Citra biner hanya memiliki dua buah nilai untuk mewakili warna, yakni 1 untuk warna putih dan 0 untuk warna hitam. Dalam penelitian ini penulis akan menggunaan metode otsu dengan memanfaatan fungsi dari matlab yaitu im2bw untuk melakukan proses binerisasi. Citra biner merupakan citra yang banyak

dimanfaatkan untuk keperluan pattern recognition seperti pengenalan angka, huruf maupun tanda tangan.

Gambar 3. 5 Gambaran Proses binerisasi

4. Deteksi Tepi

Setelah dilakukan proses binerisasi, maka sistem akan mendeteksi tepian dari citra masukkan. Terdapat berbagai cara untuk mendeteksi tepian sebuah citra yang telah dikemmbangkan berdasarkan turunan pertama, diantaranya operator Robert, sobel, prewitt, dan operator canny.

Konsep dasar dari perhitungan deteksi tepi menggunakan turunan pertama adalah memanfaatkan perbedaan nilai piksel dengan piksel tetangganya. Pada hough transform deteksi tepi dilakukan untuk menemukan titik tepi dari obyek, kemudian dalam hough transform proses pengerjaannya hanya dilakukan pada titik tepi dari obyek tersebut (Putra,2010).

Dalam penelitian ini penulis akan menggunakan operator canny dan menggunakan fungsi yang terdapat pada matlab. Berbeda dengan operator deteksi tepi lainnya, deteksi tepi canny menggunakan Gaussian derivatif kernel untuk memperhalus tampilan sebuah citra. Deteksi tepi canny dapat mendeteksi tepian yang sebenarnya dengan tingkat kesalahan minimum atau dengan kata lain, dapat menghasilkan citra tepian yang optimal. Dalam penelitian ini penulis akan menggunakan fungsi dari matlab.

5. Deteksi Kemiringan menggunakan Hough Transform

Setelah dilakukan deteksi tepi pada citra masukkan, sistem akan melakukan deteksi kemiringan. Proses deteksi kemiringan menggunakan metode hough transform merupakan proses utama yang dilakukan sistem. Di dalam proses ini akan ditemukan berapa besar derajat kemiringan pada citra dokumen teks tersebut. Hasil derajat yang dideteksi kemudian digunakan untuk merotasi citra masukkan tersebut. Gambar 3.6 merupakan diagram alur untuk hough transform. Perhitungan waktu dilakukan didalam proses deteksi kemiringan ini.

Gambar 3. 6 Diagram Alur hough transform

5.1.Cari nilai piksel yang tidak bernilai nol

Pada citra masukkan yang sudah melalui proses grayscaling hingga deteksi tepi akan dilakukan pencarian nilai piksel yang tidak bernilai nol dengan menggunakan fungsi find pada matlab.

5.2.Hitung jumlah baris dan kolom

Jumlah baris dan kolom pada citra masukkan yang sudah dikenai proses deteksi tepi akan menggunakan fungsi size pada matlab.

5.3.Definisikan Parameter Hough

Terdapat beberapa parameter hough yang harus didefinisikan diantaranya: nilai d, theta min, theta maks, rho min, rho maks dan rho. Nilai dari d akan menjadi ukuran untuk rho min dan rho maks.

Nilai d didapatkan dengan menghitung = √ + dengan m dan n adalah ukuran citra yang sudah mengalami deteksi tepi. Sedangkan nilai untuk theta adalah −9 ° � 9 °. Nilai untuk rho min adalah – dan untuk rho maks adalah , serta untuk nilai rho adalah − ℎ .

5.4.Buat array accumulator

Buat sebuah array yang dinamakan array accumulator, array ini memiliki parameter rho dan theta � . Setelah terbentuk array accumulator maka inisialisasi tiap elemen pada cell array accumulator menjadi bernilai nol.

5.5. Melakukan Perhitungan

Untuk citra yang sudah dikenai deteksi tepi, selama citra memiliki nilai tidak sama dengan nol dan untuk theta dari theta min sampai theta maks maka akan dihitung nilai rho menggunakan rumus berikut

� = � � � + �� � (3.1)

Setelah ditemukan nilai rho (� , maka masukkan nilai rho (� dan theta yang sudah ditemukan ke dalam array akumulator. Kemudian hitung nilai inkremen dari array akumulator.

5.6.Ubah radian ke derajat

Setelah array accumulator terbentuk maka dapat ditemukan besarnya derajat kemiringan. Namun nilai theta dirubah terlebih dahulu dari satuan radian menjadi satuan derajat dengan menggunakan fungsi rad2deg pada matlab.

5.7.Mengambil nilai maksimum

Pada array accumulator yang sudah terbentuk, untuk dapat menemukan besarnya derajat maka dapat diambil nilai maksimum dari theta yang terdapat pada array akumulator yang menandakan sebagai banyaknya titik yang membentuk garis. Nilai maksumum ini dapat diambil menggunakan funsi max pada matlab.

6. Direktori Gambar

Gambar yang dipilih untuk diproses ke dalam sistem akan ditempilkan direktorinya. Direktori ini akan menampilkan nama file citra dan lokasi penyimpanan citra yang telah dipilih.

7. Nilai Derajat Kemiringan

Setelah dikenai proses hough transform, maka akan ditemukan besarnya nilai derajat kemiringan. Nilai derajat tresebut didapatkan dari nilai array akumulator dengan menggunakan function max pada matlab.

8. Keterangan Waktu

Menghitung waktu proses hough transform, dengan menggunakan fungsi dari matlab yaitu tic dan toc. Tic digunakan untuk menandakan mulainya hitungan waktu, dan toc menandakan berakhirnya hitungan waktu.

9. Gambar Rotasi

Berikutnya setelah ditemukan besarnya nilai derajat kemiringan, maka citra masukkan akan dirotasi denggan menggunakan fungsi dari matlab yakni imrotate dan memanfaatkan besar derajat yang sudah ditemukan dengan menggunakan metode hough transform.

3.3.4. Perancangan Pengujian

Pengujian diperlukan untuk mengetahui apakah metode hough transform yang digunakan baik untuk mendeteksi kemiringan pada citra dokumen teks beraksara Latin. Pengujian diperlukan untuk mengetahui apakah metode hough transform yang digunakan baik untuk mendeteksi kemiringan pada citra dokumen teks beraksara Latin.

Citra yang dimiringkan dengan menggunakan Adobe Photoshop CC 2015 akan memiliki variasi derajat kemiringan yang berbeda-beda, hasil derajat kemiringan akan melakukan pembulatan. Jika citra dimirngkan dengan angka dibelakang koma ≤ 4 maka akan dilakukan pembulatan kebawah namun jika citra dimirngkan dengan angka dibelakang koma ≥ 5 maka akan dilakukan pembulatan keatas. Dalam penelitian ini penulis akan membandingkan hasil yang didapatkan

dari sistem dengan derajat kemiringan yang sesungguhnya dengan menghitung persentase error dan persentase keberhasilan.

3.3.5. Pengujian

Pada tahap pengujian, data terlebih dahulu harus dikenai deteksi kemiringan menggunakan hough transform. Keluaran Dalam penelitian ini penulis akan membandingkan hasil yang didapatkan dari sistem dengan derajat kemiringan yang sesungguhnya. Persentase error akan menjadi nol ketika hasil deteksi kemiringan memiliki nilai yang sama dengan kemiringan yang sesungguhnya. Sehingga untuk persentase akurasi keberhasilan diperoleh dari 100% dikurangi dengan rata-rata persentase error dari keseluruhan citra masukkan. Perhitungan rata-rata persentase keberhasilan deteksi kemiringan adalah sebagai berikut:

� � ℎ � = % − (3.4)

Dimana

=��_� (3.5)

Dimana

� =�����_� % (3.6)

Keterangan:

� � ℎ � = Rata-Rata persentase keberhasilan = Rata-rata persentase error

� = Persentase error

� = Jumlah data citra yang dikenakan sudut tertentu

� = Tingkat error dari masing-masing hasil

Selain keluaran berupa derajat yang dideteksi, sistem ini menampilkan waktu yang diperlukan untuk memproses deteksi kemiringan. Kemudian dari waktu yang didapatkan tersebut dapat dihitung rata-rata terhadap seluruh data citra masukkan yang dibutuhkan untuk memproses citra sampai dengan hasil derajat kemiringan ditemukan. Berikut ini adalah cara menghitung rata-rata waktu yang dibutuhkan:

̅ = Σ ��_� (3.5)

Keterangan:

̅ = Rata-rata waktu proses deteksi kemiringan

Σ = total keseluruhan waktu proses deteksi kemiringan dari semua citra yang diuji

� = total keseluruhan citra yang diuji coba kedalam sistem

3.3.6. Analisa

Setelah dilakukan proses pengujian, maka akan dilakukan analisa berdasarkan hasil derajat kemiringan yang didapatkan dengan derajat kemiringan yang sesungguhnya dan persentasi keberhasilan yang didapatkan serta menganalisa waktu proses. Selain itu analisis ini akan membahas tentang kelemahan dan kelebihan deteksi kemiringan menggunakan hough transform.

3.4 Desain User Interface

Dalam sistem ini akan menampilkan citra asli, citra grayscaling, citra biner, citra deteksi tepi, hough matriks dan rotasi gambar serta menampilkan direktori gambar, besar derajat kemiringan yang ditemukan dan waktu yang dibutuhkan untuk memproses citra tersebut. Pada gambar 3.8 merupakan gambar desain user interface dari sistem yang akan dibuat. Terdapat dua tombol yang akan digunakan untuk memilih citra yang akan dideteksi dan tombol untuk menghapus axes dan static text.

BAB IV

IMPLEMENTASI SISTEM

Rancangan sistem yang sudah dibuat dalam BAB III akan diimplementasikan menjadi sistem yang digunakan untuk mendeteksi derajat kemiringan pada dokumen teks beraksara latin dengan menggunakan hough transform. Proses implementasinya adalah sebagai berikut:

4.1.Implementasi User Interface

Menu utama adalah tampilan user interface yang berisi seluruh proses deteksi kemiringan citra dokumen teks beraksara Latin. Menu utama terdapat 2 tombol, yaitu tombol ‘Plih Gambar Dokumen’ dan tombol ‘Reset’. Tombol Plih Gambar Dokumen digunakan untuk (load gambar) membuka dan memilih citra dokumen yang akan diproses menggunakan sistem menggunakan hough transform. File citra dkumen yang dapat di-load adalah file citra yang berbentuk .png. Ketika pengguna sudah selesai memilih citra dokumen teks, maka citra tersebut akan tampilkan di axes gambar asli, lalu kemudian citra dokumen tersebut akan diubah menjadi ctra biner, graysccaling, hingga deteksi tepi. Pada bagian bawah terdapat axes yang digunakan untuk menampilkan citra dokumen teks yang sudah diputar dengan besarnya nilai derajat yang didapatkan pada deteksi kemiringan menggunakan hough transform. Setelah dilakukan proses deteksi kemiringan, maka output besarnya derajat yang dideteksi oleh sistem dan waktu yang dibutuhkan untuk memproses ditampilkan dalam di static text.

Tombol Reset berfungsi untuk menghapus semua gambar yang ada di area axes yakni: axes gambarasli, gambargrayscale, gambarbw, gambartepi, plothough dan gambarrotate serta juga menghapus isi dari static text untuk direktori, derajat kemiringan dan waktu.

Gambar 4. 1 Implementasi User Interface

4.2.Implementasi Membaca Gambar

Di dalam sistem deteksi kemiringan terdapat tombol Pilih Gambar Dokumen yang digunakan untuk memilih gambar dokumen yang akan dideteksi kemiringannya. Dalam memilih gambar digunakan fungsi dari matlab yakni uigetfile dan untuk membaca file menggunakan fungsi dari matlab yaitu imread proses ini dapat dilihat pada gambar 4.2 dan gambar 4.3. Format gambar yang akan dimasukkan kedalam sistem adalah gambar dokumen yang berekstensi .png.

Gambar 4. 2 Implementasi membaca citra masukkan

[FileName, pathname] = uigetfile( ...

{'*.png', 'Image Files (*.png)'}, ...

'Pilih Gambar Dokumen');

handles.myImage = strcat(pathname, FileName); axes(handles.gambarasli);

imshow(handles.myImage);

citra_input=imread(handles.myImage);

assignin('base','citra_input',citra_input);

4.3.Implementasi Grayscaling

Proses ini dilakukan ketika gambar mempunyai lebih dari 1 keping warna. dalam proses grayscaling penulis menggunakan fungsi yang sudah ada di dalam matlab yakni rgb2gray. Gambar 4.4 menujukkan proses grayscaling pada citra masukkan yang bertipe RGB.

jumKeping = size(citra_input,3);

assignin('base','jumKeping',jumKeping); if jumKeping == 3

citra_gray = rgb2gray(citra_input);

assignin('base','citra_gray',citra_gray);

axes(handles.gambargrayscale); imshow(citra_gray);

Gambar 4. 4 Implementasi Grayscaling

4.4.Implementasi Binerisasi

Setelah citra dokumen sudah menjadi grayscale, maka tahap berikutnya akan dilakukan binerisasi. Dalam proses binerisasi citra dokumen, penulis menggunakan binerisasi otsu dengan function di dalam matlab yakni im2bw. Gambar 4.5 merupakan proses binerisasi pada gambar grayscaling.

citra_biner=im2bw(citra_gray);

assignin('base','citra_biner',citra_biner);

axes(handles.gambarbw); imshow(citra_biner);

Gambar 4. 5 Implementasi Binerisasi

4.5.Implementasi Deteksi Tepi

Setelah citra dokumen dikenai proses binerisasi, maka pada tahap selanjutnya sistem akan melakukan deteksi tepi canny dengan menggunakan function yang ada di matlab. Gambar 4.6 merupakan proses deteksi tepi canny pada gambar binerisasi.

imEdge = edge(citra_biner,'canny');

axes(handles.gambartepi); imshow(imEdge);

Gambar 4. 6 Implementasi Deteksi Tepi

4.6.Implementasi Hough Transform 1. Mulai

2. Buat variabel untuk menampung koordinat citra yang tidak bernilai nol pada citra yang sudah dikenai proses deteksi tepi.

3. Pada hasil deteksi tepi dilakukan perubahan kedalam kurva sinusoida dengan besar nilai � dari 0 sampai 360.

4. Hitung nilai � = √ + dimana m dan n adalah ukuran citra masukkan.

5. Tentukan nilai parameter hough transform yakni: rho maks, rho min, theta maks dan theta min

6. Buat array akumulator yang memiliki parameter rho dan theta 7. Inisialisasi tiap elemen pada cell array akumulator menjadi nol

8. Untuk setiap citra yang memiliki nilai tidak sama dengan nol dan untuk theta dari theta min sampai theta maks, lakukan langkah berikut:

a. Hitung nilai � = � � � + �� � dimana dan merupakan koordinat citra

b. Masukkan nilai rho dan theta yang sudah ditemukan ke dalam array akumulator

c. Hitung nilai inkremen dari array akumulator 9. Ubah nilai theta dari radian ke derajat

10.Ambil nilai maksimum dari theta pada array akumulator yang menandakan sebagai banyaknya titik yang membentuk garis 11.Selesai

4.7.Implementasi Rotate Citra

Setelah ditemukan besarnya nilai derajat kemiringan yang didapat, maka dilakukan rotasi terhadap citra dokumen teks beraksara Latin menggunakan function imrotate yang terdapat di matlab.

imCorrect = imrotate(citra_input,mtheta); assignin('base','imCorrect',imCorrect); axes(handles.gambarrotate);

imshow(imCorrect);

4.8.Implementasi Waktu

Implementasi untuk menghitung lamanya proses hough transform menggunakan fungsi yang ada di matlab, yakni tic dan toc.

1. Mulai

2. Tuliskan perintah tic pada awal proses metode hough transform 3. Lakukan perhitungan dengan metode hough transform

4. Tulisakan perintah toc pada akhir proses metode hough transform 5. selesai

4.9.Implementasi Tombol Reset

Selain tombol Pilih Gambar Dokumen, terdapat juga tombol Reset yang berfungsi untuk menghapus semua gambar yang ada di area axes serta juga menghapus isi dari static text. Gambar 4.7 merupakan hasil ketika tombol reset dijalankan.

cla(handles.gambarasli,'reset'); cla(handles.gambarbw,'reset');

cla(handles.gambargrayscale,'reset'); cla(handles.gambartepi,'reset');

cla(handles.plothough,'reset'); cla(handles.gambarrotate,'reset'); set(handles.flname,'String',''); set(handles.dir,'String',''); set(handles.time,'String',''); set(handles.skew,'String','');

BAB V

HASIL DAN ANALISA

Dalam bab ini membahas hasil dan melakukan analisa deteksi kemiringan terhadap citra dokumen beraksara Latin dengan metode hough transform.

5.1. Data Masukkan

Data masukkan untuk pengujian adalah citra dokumen beraksara Latin yang memiliki kemiringan yang berbeda-beda. Data masukkan untuk pengujian ini sebanyak 40 data citra dokumen beraksara Latin dari buku Mengenal Pantun dan Puisi Lama karya Eko Sugiarto. Seluruh citra tersebut akan diberi kemiringan dengan derajat yang berbeda-beda. Format file citra masukkan bertipe .png dan citra dokumen masukkan dapat dilihat pada tabel berikut:

Tabel 5. 1 Citra Dokumen Masukkan

No. Nama File Ukuran Piksel Ukuran File Citra

1 Data_0.8.png 2444 x 1527 4.247 Kb

2 Data_1.png 2490 x 1460 3828 Kb

3 Data_-1.png 2434 x 1693 5345 Kb

4 Data_2.png 2407 x 1598 4830 Kb

5 Data_3.png 2498 x 1618 4251 Kb

6 Data_-4.png 2568 x 1653 4294 Kb

7 Data_-5.5.png 2546 x 1785 5225 Kb

8 Data_-8.png 2608 x 1816 4608 Kb

9 Data_10.png 2583 x 1902 5130 Kb

10 Data_11.8.png 2646 x 2047 4507 Kb

No. Nama File Ukuran Piksel Ukuran File Citra

12 Data_17.png 2759 x 2197 5844 Kb

13 Data_-18.png 2786 x 2242 4623 Kb

14 Data_20.png 2796 x 2291 5957 Kb

15 Data_21.8.png 2805 x 2287 4478 Kb

16 Data_-24.png 2716 x 2211 4473 Kb

17 Data_25.png 2866 x 2389 5217 Kb

18 Data_29.png 2730 x 2343 4426 Kb

19 Data_-32.png 2729 x 2413 4485 Kb

20 Data_33.png 2857 x 2629 5016 Kb

21 Data_34.6.png 2857 x 2659 5064 Kb

22 Data_-36.png 2880 x 2693 4943 Kb

23 Data_37.png 2794 x 2629 5691 Kb

24 Data_-38.8.png 2855 x 2706 5337 Kb

25 Data_-39.png 2909 x 2797 6606 Kb

26 Data_-40.png 2800 x 2670 5015 Kb

27 Data_45.png 2738 x 2738 4690 Kb

28 Data_-46.png 2727 x 2748 5.644 Kb

29 Data_88.png 1645 x 2461 5.097 Kb

30 Data_105.png 2007 x 2748 4.251 Kb

31 Data_133.9.png 2776x 2799 5.410 Kb

32 Data_140.png 2800 x 2670 5.006 Kb

33 Data_155.8.png 2823 x 2356 5.069 Kb

34 Data_183.png 2497 x 1696 4.178 Kb

35 Data_200.png 2772 x 2310 4.760 Kb

36 Data_229.png 2741 x 2838 4.948 Kb

37 Data_274.png 1677 x 2456 4.887 Kb

38 Data_282.png 2040 x 2692 4.349 Kb

No. Nama File Ukuran Piksel Ukuran File Citra

40 Data_338.2.png 2703 x 2148 4.173 Kb

5.2. Pengujian Data Masukkan

Format file citra yang dimasukkan kedalam sistem adalah citra yang berekstensi .png. File citra dimasukkan kedalam sistem dengan menekatn tombol ‘Pilih Gambar Dokumen’. Kemudian citra tersebut akan dikenkan proses grayscaling, binerisasi, deteksi tepi dan deteksi kemiringan serta keluaran dari sistem akan menampilkan direktori, hasil deteksi kemiringan, waktu yang dibutuhkan untuk mendeteksi kemiringan dan gambar yang dirotasi dengan menggunakan besar derajat yang ditemukan.

Gambar 5.1 merupakan salah satu contoh data citra dokumen teks beraksara Latin yang digunakan dalam pengujian sistem. Seluruh data citra dokumen teks tersebut memiliki format RGB, sehingga citra tersebut akan dikenai preprocessing grayscaling dan binerisasi. Preprocessing berikutnya adalah deteksi tepi dan sistem akan menampilkan hough matriks seperti pada gambar 5.2.

Ketika derajat kemiringan sudah ditemukan, maka citra masukkan akan dirotasi sebesar derajat kemiringan yang ditemukan. Contoh citra diproses menggunakan sistem deteksi kemiringan menggunakan hough transform ditunjukkan dalam Tabel 5.2.

Tabel 5. 2 Contoh hasil yang sudah dan dirotasi

Nama File Gambar Asli Gambar yang dirotasi

Data_2.png

Data_25.png

5.3. Hasil Deteksi Kemiringan

Seluruh data yang berjumlah 40 dengan sengaja diberikan kemiringan tertentu dimasukkan kedalam sistem untuk kemudian di proses untuk mendapatkan besaran derajat kemiringan, sehingga didapatkan persentase keberhasilan deteksi kemiringan menggunakan metode hough transform. Berikut adalah hasil dari citra masukkan yang diproses ke dalam sistem:

Tabel 5. 3 Hasil implementasi pada data masukkan

Nama File Derajat kemiringan citra Deteksi Derajat Waktu Proses (detik)

Error Persentase Error

Persentase Keberhasilan

Data_0.8 0.8 1 55.6765 0.20 20.00 80.00

Data_1.png 1 1 55.9102 0.00 0.00 100.00

Data_-1.png -1 -1 127.5410 0.00 0.00 100.00

Data_2.png 2 2 115.1520 0.00 0.00 100.00

Data_3.png 3 3 53.9886 0.00 0.00 100.00

Data_-4.png -4 -4 58.6702 0.00 0.00 100.00

Data_-5.5.png -5.5 -5 84.1830 0.50 10.00 90.00

Nama File Derajat kemiringan citra Deteksi Derajat Waktu

(detik) Error

Persentase Error

Persentase Keberhasilan

Data_10.png 10 10 115.8780 0.00 0.00 100.00

Data_11.8.png 11.8 12 88.3828 0.20 1.67 98.33

Data_-13.png -13 -13 53.8810 0.00 0.00 100.00

Data_17.png 17 17 77.8382 0.00 0.00 100.00

Data_-18.png -18 -18 60.4753 0.00 0.00 100.00

Data_20.png 20 20 77.5328 0.00 0.00 100.00

Data_21.8.png 21.8 22 51.6090 0.20 0.91 99.09

Data_-24.png -24 -30 63.0431 6.00 20.00 80.00

Data_25.png 25 25 56.5250 0.00 0.00 100.00

Data_29.png 29 -61 59.6858 90.00 100.00 0.00

Data_-32.png -32 -32 61.4304 32.00 0.00 100.00

Data_33.png 33 33 88.0532 0.00 0.00 100.00

Data_34.6.png 34.6 -55 87.0019 89.60 100.00 0.00

Data_-36.png -36 -36 56.5999 0.00 0.00 100.00

Data_37.png 37 37 104.5150 0.00 0.00 100.00

Data_-38.8.png -38.8 -39 48.5158 0.20 0.52 99.48

Data_-39.png -39 -39 116.4190 0.00 0.00 100.00

Data_-40.png -40 -40 53.9990 0.00 0.00 100.00

Data_45.png -45 -45 100.9890 0.00 0.00 100.00

Data_-46.png 46 46 100.8820 0.00 0.00 100.00

Data_88.png 88 88 102.761 0.00 0.00 100.00

Data_105.png 105 -75 65.3967 0.00 0.00 100.00

Data_133.9.png 133.9 -46 139.834 0.10 0.07 99.93

Data_140.png 140 -40 58.9679 0.00 0.00 100.00

Data_155.8.png 155.8 -24 59.7186 0.20 0.13 99.87

Data_183.png 183 3 68.0739 0.00 0.00 100.00

Nama File Derajat kemiringan citra Deteksi Derajat Waktu

(detik) Error

Persentase Error

Persentase Keberhasilan

Data_229.png 229 49 65.244 0.00 0.00 100.00

Data_274.png 274 -86 119.05 0.00 0.00 100.00

Data_282.png 282 -78 72.777 0.00 0.00 100.00

Data_297.png 297 -63 134.332 0.00 0.00 100.00

Data_338.2.png 338.2 -25 64.9699 3.20 0.95 99.05

Waktu Rata-Rata 79.5350 6.36 93.64 Waktu Maksimum 139.8340

Waktu Minimal 48.5158

Dari tabel 5.2 dapat dilihat hasil dari seluruh data yang telah dikenai proses deteksi kemiringan menggunakan hough transform. Pada tabel 5.2 diperoleh tingkat rata-rata keberhasilan deteksi kemiringan dengan hough transform adalah 93.64% dengan rata-rata persentase error mencapai 6.36%.

Perhitungan rata-rata persentase keberhasilan deteksi kemiringan adalah sebagai berikut:

� � ℎ � = % − (5.1)

Dimana

=��_� (5.2)

Dimana

� =�����_� % (5.3)

Keterangan:

= Rata-rata persentase error

� = Persentase error

� = Jumlah data citra yang dikenakan sudut tertentu

� = Tingkat error dari masing-masing hasil

= Sudut kemiringan yang diberikan secara sengaja pada citra masukkan

Terdapat 11 citra yang memiliki persentase error dan 2 diantaranya memiliki persentase error mencapai 100%. Pada citra yang memiliki nilai derajat kemiringan yang bernilai desimal, akan dilakukan pembulatan ke nilai terdekat. Selain itu pada tabel 5.2 terdapat rata-rata waktu proses deteksi kemiringan menggunakan hough transform, hasil rata-rata waktu untuk proses deteksi adalah 79.5350 detik.

5.4. Analisa Deteksi Kemiringan

Data masukkan citra yang di uji berjumlah 40 citra yang semuanya bertipe .png kemudian setiap citra dimiringkan dengan berbagai variasi sudut. Besarnya nilai derajat untuk mendeteksi kemiringan yakni diantara -90° sampai 90°. Hal ini menyebabkan hasil dari deteksi kemiringan pada gambar yang memiliki kemiringan yang sama akan memiliki nilai deteksi yang sama, misalnya pada Data_-40.png dan pada Data_140.png.

Sehingga untuk besar kemiringan diantara 91° sampai 180° derajat kemiringan akan bernilai negatif, untuk 181° sampai 270° akan bernilai positif, dan untuk 271° sampai 360 akan bernilai negatif. Ketika besarnya derajat kemiringan diantara 91° sampai 270°, maka nilai hasil deteksi kemiringan menjadi:

Deteksi kemiringan = Derajat kemiringan sesungguhnya - 180° (5.4) Sedangkan untuk derajat kemiringan diantara 271° sampai 360, maka nilai hasil deteksi kemiringan menjadi:

Deteksi kemiringan = Derajat kemiringan sesungguhnya - 360° (5.5) Berdasarkan tabel 5.2 hasil derajat kemiringan yang deteksi sudah sangat baik dengan tingkat rata-rata persentase keberhasilan mencapai 93.64%. Pada citra yang memiliki nilai derajat kemiringan yang bernilai desimal, akan dilakukan pembulatan ke nilai terdekat. Terdapat dua data citra yang memiliki persentase error mencapai 100% yakni Data_29.png dan Data_34.6.png. Hal ini dikarenakan pada metode hough transform akan melakukan perhitungan pada titik tepi dari obyek tersebut, namun pada tahap preprocessing tidak menghasilkan deteksi tepi tepi yang tidak maksimal, hal ini dapat diminimalisir dengan menggunakan theresholding dengan memberikan angka secara manual dalam proses binerisasi ataupun mengganti jenis deteksi tepi yang digunakan.

Waktu yang dibutuhkan untuk mendeteksi kemiringan dengan menggunakan spesifikasi laptop penulis sebagai berikut Processor: Intel(R) Core(TM) i3-4030U CPU @190GHz, RAM: 4.00 GB, VGA: 2GB dengan 40 data masukkan ini relatif lama dengan waktu rata-ratanya adalah 79.5350 detik. Pada citra Data_133.9.png mencapai pada waktu terlama, yang membutuhkan waktu proses mencapai 139.8340 detik. Sedangkan pada Data_-38.8.png membutuhkan waktu proses yang paling minimum yakni 48.5158 detik.

BAB VI

KESIMPULAN DAN SARAN

Dalam bab ini membahas kesimpulan dan saran dari penelitian deteksi kemiringan dengan menggunakan hough transform.

6.1. Kesimpulan

Dari pengujian terhadap semua data masukkan berupa citra dokumen beraksara Latin, diperoleh kesimpulan berikut:

1. Dari hasil analisa output sistem pada citra masukkan sebanyak 40 citra dokumen teks beraksara Latin yang sengaja diberi kemiringan dengan berbagai variasi sudut diperoleh rata-rata persentase keberhasilan mencapai 93.64% dengan rata-rata persentase error mencapai 6.36%.

2. Terdapat 2 citra dari total 40 citra yang memiliki persentase error mencapai 100% yakni Data_29.png dan Data_34.6.png.

3. Ditinjau dari rata-rata lama waktu proses yang dbutuhkan oleh sistem untuk melakukan deteksi kemiringan citra dokumen dengan metode hough transform menggunakan spesifikasi laptop penulis sebagai berikut, Processor: Intel(R) Core(TM) i3-4030U CPU @190GHz, RAM: 4.00 GB, VGA: 2GB dengan 40 data masukkan adalah 79.5350 detik. Hasil rata-rata waktu tersebut menunjukkan bahwa metode hough transform cenderung memiliki waktu proses yang lama namun sudah dapat mendeteksi kemiringan dengan baik.

6.2. Saran

Berikut ini adalah saran bagi penelitian berikutnya yang ingin menerapkan sistem deteksi kemiringan yang serupa:

1. Dalam beberapa gambar terdapat kesalahan deteksi, hal ini karena pada tahap preprocessing tidak menghasilkan deteksi tepi yang tidak maksimal. Kesalahan

dalam deteksi ini dapat diminimalisir dengan mengatur nilai thereshold yang dapat diberikan secara manual ataupun mengganti jenis deteksi tepi yang digunakan.

2. Dalam preprocessing dapat dilakukan variasi, seperti: menggunakan closing, filling, penipisan dan yang lainnya.

3. Dapat dilihat pengaruh variasi preprocessing terhadap akurasi.

4. Perlu diuji coba pada citra dokumen yang lainnya seperti citra dokumen teks yang memiliki karakteristik yang berbeda.

DAFTAR PUSTAKA

Ardiansyah, Farid., Alasiry, Ali Husain., & Bayu, Sena Bayu. Rancang Bangun Scanner dengan Autofixing Paper Position berbasis Image Processing. Surabaya. (https://www.pens.ac.id/uploadta/downloadmk.php?id=1316) diakses pada 22 November 2016.

Bramasti, Rully. 2012. Kamus Matematika. PT. Aksarra Sinergi Media. Surakarta. Cornelia, Elizabeth Febrina. Penipisan Citra Aksara Bali menggunakan A Fast and Flexible Thinning Algorithm. 2016. Skripsi. Fakultas Sains dan Teknologi. Univerisitas Sanata Dharma. Yogyakarta.

Dewanto, Satrio. Deteksi Garis pada Citra Digital dengan Transformasi Hough. (http://digilib.batan.go.id/ppin/katalog/file/0853-9812-1994-215.pdf) diakses pada 7 April 2017.

Gonzalez, Rafael C., Woods, Richard E., & Eddins, Steven L. 2004. Digital Image Processing using Matlab. Pearson Prentice Hall. New Jersey.

Jundale, T. A., & Hegadi, R. S. 2015. “Skew Detection and Correction of Devanagari Script Using Hough Transform”. International Conference on Advanced Computing Technologies and Applications (ICACTA). 305-311. (http://sci-hub.cc/10.1016/j.procs.2015.03.147) diakses pada 29 September 2016.

Kevin, Michael. Analisis dan Implementasi Algoritma Penipisan Kwon-Gi-Kang pada Aksara Sunda. 2016. Skripsi. Fakultas Sains dan Teknologi. Univerisitas Sanata Dharma. Yogyakarta.

Kurdianata, Niko. Deteksi Kemiringan pada Citra Dokumen Teks Sastra Jawa menggunakan Pendekatan Titik Pusat Gravitasi, 2006. Skripsi. Fakultas Sains dan Teknologi. Univerisitas Sanata Dharma. Yogyakarta.

Madenda, Sarifuddin. 2015. Pengolahan Citra dan Video Digital. Penerbit Erlangga. Jakarta.

Mufida, Fatma dan Jamhuri, Mohammad. “Solusi Numerik Persamaan Poisson menggunakan Jaringan Fungsi Radial Basis pada Koordinat Polar”. (http://ejournal.uinmalang.ac.id/index.php/Math/article/viewFile/2927/485 0) diakses pada 12 Juni 2017.

Pitas, I. 2000. Digital Image Processing Algorithm and Application. Wiley-Interscience. New York.

Putra, Darma. 2010. Pengolahan Citra Digital. Penerbit Andi. Yogyakarta.

Sa’diyah, Halimatus., Isnanto, R.Rizal., Hidayanto, Achmad. “Aplikasi Transformasi Hough untuk Deteksi Garis Lurus”. (www.pens.ac.id/uploadta/downloadmk.php?id=1316) diakses pada 15 Oktober 2016.

Sugiarto, Eko. 2008. “Mengenal Pantun dan Puisi Lama”. Pustaka Widyatama. Yogyakarta.

Sunarya, I Made Gede. 2013. “Deteksi Kemiringan Pada Citra Dokumen Berbasis Transformasi Hough untuk Deteksi Baris Pada Citra Dokumen Aksara Bali”. Seminar Nasional Aplikasi Teknologi Informasi (SNATI). (http://download.portalgaruda.org/article.php?article=95168&val=576) diakses pada 22 September 2016.

S. Chandan., B. Nitin., K. Amandeep. 2008. “Hough Transform Based Fast Skew Detection and Accurate Skew Correction Methods”. Pattern Recognition. Volume 41. 3528 - 3546. (http://sci-hub.cc/10.1016/j.patcog.2008.06.002) diakses pada 22 September 2016.

Utama, J.A. 2011. “Model Materi Pengetahuan Sudut Dalam Perkuliahan IPBA bagi Mahasiswa Fisika dan Aplikasinya dalam Memahami Jarak Antarbenda-Langit (Celestial Bodies)”. Prosiding Seminar Nasional

Penelitian Pendidikan dan Penerapan MIPA

(http://file.upi.edu/Direktori/FPMIPA/JUR._PEND._FISIKA/AHMAD_S AMSUDIN/Publikasi/03PFis_Judhistira.pdf) diakses pada 10 Maret 2017.

Yazidi, Ahcmad. 2013. “Pemakaian Aksara dalam Penulisan Bahasa Melayu hingga Bahasa Indonesia”. Volume 3. No 1. (http://download.portalgaruda.org/article.php?article=96576&val=4806) diakses pada 4 November 2016.

Yodha, J. W., dan Kurniawan A. W. 2014. “Perbandingan Penggunaan Deteksi Tepi dengan Metode Laplace, Sobel dan Prewit dan Canny pada Pengenalan Pola”. Techno.COM. Volume 13. No 3. 189-197. (http://download.portalgaruda.org/article.php?article=266434&val=5192& title=PERBANDINGAN%20PENGGUNAAN%20DETEKSI%20TEPI%2 0DENGAN%20METODE%20LAPLACE,%20SOBEL%20DAN%20PRE WIT%20DAN%20CANNY%20PADA%20PENGENALAN%20POLA) diakses pada 17 April 2017.

Lampiran I Program

Implementasi Membaca Gambar

[FileName, pathname] = uigetfile( ...

{'*.png', 'Image Files (*.png)'}, ...

'Pilih Gambar Dokumen');

%membaca dan menampilkan gambar input

handles.myImage = strcat(pathname, FileName); axes(handles.gambarasli);

imshow(handles.myImage);

citra_input=imread(handles.myImage);

assignin('base','citra_input',citra_input);

Implementasi Grayscale dan Binerisasi

jumKeping = size(citra_input,3);

if jumKeping == 3

citra_gray = rgb2gray(citra_input);

assignin('base','citra_gray',citra_gray);

axes(handles.gambargrayscale); imshow(citra_gray);

end

citra_biner=im2bw(citra_gray);

assignin('base','citra_biner',citra_biner);

axes(handles.gambarbw); imshow(citra_biner);

Implementasi Deteksi Tepi Canny

imEdge = edge(citra_biner,'canny');

axes(handles.gambartepi); imshow(imEdge);

assignin('base','imEdge',imEdge);

Lampiran 4. Implementasi Hough Transform

function [mtheta,Acc,theta,rho,waktu] = houghTrans(imEdge)

tic;

theta_step=1;

theta = 0:theta_step:360; [R,xP]=radon(imEdge,theta);

[y,x]=find(imEdge);

assignin('base','x',x);

assignin('base','y',y);

[bar,kol]=size(imEdge);

assignin('base','bar',bar);

assignin('base','kol',kol);

d=round(sqrt(bar^2+kol^2));

assignin('base','d',d);

theta_min = -pi/2;

assignin('base','theta_min',theta_min);

theta_maks = pi/2;

assignin('base','theta_maks',theta_maks);

rho_min=-d;

assignin('base','rho_min',rho_min);

assignin('base','rho_maks',rho_maks); rho = rho_min:rho_maks;

theta_size=180;

assignin('base','theta_size',theta_size);

Acc=zeros(rho_maks,theta_size);

theta_count=theta_min:pi/180:theta_maks-pi/180;

assignin('base','theta_count',theta_count);

for i=1:length(y)

incr=1;

for theta=theta_count

rho_i=round(x(i).*cos(theta)+y(i).*sin(theta)); Acc(abs(rho_i),incr)=Acc(abs(rho_i),incr)+1; incr=incr+1;

end

end

theta = rad2deg(theta_count);

assignin('base','theta',theta);

nMax=max(Acc);

assignin('base','nMax',nMax);

[e,f]=max(nMax);

assignin('base','e',e);

assignin('base','f',f);

mtheta=theta(1,f);

assignin('base','mtheta',mtheta);

toc;

Implentasi Tombol Reset

function pushbutton2_Callback(hObject, eventdata, handles)

cla(handles.gambarasli,'reset');

cla(handles.gambarbw,'reset');

cla(handles.gambargrayscale,'reset');

cla(handles.gambartepi,'reset');

cla(handles.plothough,'reset');

cla(handles.gambarrotate,'reset');

set(handles.flname,'String','');

set(handles.dir,'String','');

set(handles.time,'String','');

Lampiran II Data

L- 66

Data_155.8.p ng

Data_183.pn g

Data_200.pn g

L- 67

Data_229.pn g

Data_274.pn g

Data_282.pn g

L- 68

Data_297.pn g

Data_338.2.p ng

ABSTRAK

Adanya kemajuan teknologi yang begitu pesat pada saat ini, membuat orang seringkali mendigitalisasi dokumen teks menggunakan scanner atau menggunakan kamera untuk berbagai kepentingan. Pada proses pemindaian atau pengambilan gambar dokumen teks, seringkali terjadi kemiringan pada hasil gambar tersebut yang dikarenakan berbagai hal seperti ketebalan buku, posisi pengambilan gambar dan yang lainnya. Hal ini akan menyebabkan hasil yang tidak akurat dalam pengolahan citra selanjutnya seperti pengenalan karakter atau Optical Character Recognition.

Dalam pengenalan karakter atau Optical Character Recognition dibutuhkan beberapa proses awal (pre-processing) yang harus dilalui, agar hasil pengenalan karakter maksimal dapat dilakukan salah satunya proses deteksi kemiringan. Pada tugas akhir ini proses deteksi kemiringan pada citra dokumen beraksara Latin dilakukan menggunakan metode hough transform. Hough transform menggunakan menggunakan pemungutan suara (voting) terbanyak untuk menentukan nilai parameter yang tepat.

Percobaan ini dilakukan dengan data masukkan sebanyak 40 file citra dengan format .png yang berasal dari buku Mengenal Pantun dan Puisi Lama karya Eko Sugiarto. Berdasarkan pengujian dengan memberikan variasi sudut kemiringan pada 40 citra dokumen teks, diperoleh rata-rata persentase keberhasilan sebesar 93.64% dan waktu rata-rata untuk memproses mencapai 79.5350 detik

ABSTRACT

Nowadays, growth of technology is keep being fast, make some people oftenly digitalized a document or book by using scanner or camera for many importances. In its process, oftenly happen a slope on the result that been caused by many factors, such as thickness of book and the positition while taking a picture of the document etc. these factors can cause a result not accurately in the next step of image preprocessing, such as character recognition or Optical Character Recognition.

In character recognition or Optical Character Recognition it is necessary to do some process in the beginning (preprocessing) which is must be through so it can make an excellent result in character recognition, such as skewness detection. In this final assignment, skewnesss detection has been done by using hough transform. Hough transform use the voting to define an appropriate parameter.

In this research, the input data using 40 .png image files from “Mengenal Pantun dan Puisi Lama” by Eko Sugiarto. Based on testing by given a variance angle for 40 image files, the average of succesfull rate is 93,64% and the average of time consume is 79,5350 seconds.