2.8.5 Pengenalan Pola
Pengenalan pola dapat dikatakan sebagai kemampuan mengenali objek berdasarkan ciri-ciri dan pengetahuan yang pernah diamatinya dari objek-objek
tersebut. Tujuan dari pengenalan pola adalah mengklasifikasi dan mendeskripsikan pola atau objek kompleks melalui pengetahuan sifat-sifat atau
ciri-ciri objek tersebut. Ada tiga pendekatan dalam pengenalan pola yaitu secara sintaks, statistik, dan
semantik. Pengenalan pola secara sintaks dilakukan berdasarkan ciri-ciri objek. Pengenalan pola secara statistik dilakukan berdasarkan komputasi matematis.
Pendekatan dengan semantik berarti pola dikenali dalam tataran yang lebih abstrak.
2.8.5.1 Feature Extraction
Feature extraction merupakan salah satu cara untuk mengenali suatu objek
dengan melihat ciri-ciri khusus yang dimiliki objek tersebut. Tujuan dari feature extraction
adalah melakukan perhitungan dan perbandingan yang bisa digunakan untuk mengklasifikasikan ciri-ciri yang dimiliki oleh suatu citra.
Gambar 2.11 Ilustrasi Feature Extraction
Gambar 2.11 merupakan ilustrasi citra karakter dengan ciri-cirinya. Ciri-ciri dari masing-masing citra template akan di simpan. Citra masukan yang akan
dibandingkan akan dianalisis berdasarkan ciri-ciri citra. Ciri-ciri yang dimilik citra masukan akan diklasifikasikan terhadap ciri-ciri citra template.
a. Edge Detection
Edge atau ujung tepi adalah visual feature yang paling penting yang
digunakan dalam proses deteksi teks. Edge atau ujung tepi adalah diskontinuitas tajam dalam profil level keabuan. Edge detection merupakan
proses yang sangat kompleks, karena adanya noise dan ambiguitas dari “ketajaman”[20]. Dalam citra 2D, edge ditentukan oleh besar dan arahnya.
Edge detection sering dilakukan oleh turunan spasial dan tresholding.
Gambar 2.12 a Sebuah Edge, b First Order Derivative, c Second
Order Derivative
Potensi edge atau ujung tepi yang terdeteksi dengan menggunakan Second Order Derivative
adalah zero-crossing dimana turunan nilai-nilai akan mengubah tanda-tanda seperti yang pada gambar 2.12 c. Second Order
Derivative lebih noise daripada First Order Derivative. Namun, salah satu
keuntungan menggunakan zero-crossing dalam edge detection yaitu lebih mudah melacak zero-crossing untuk mendapatkan kontur terdekat daripada
melacak titik gradien maksimum dengan threshold. Untuk mencapai edge detection yang stabil diantara noise, Marr dan Hildreth menyarankan
memperhalus citra dengan smoother gaussian sebelum menerapkan operator laplacian. Operator yang dihasilkan disebut sebagai Laplacian of Gaussian
LOG, yang juga dapat diimplemantasikan oleh Difference of Gaussian DOG
2.2