Citra hitam putih yang diambil sebagai masukan, akan ditipiskan terlebih dahulu. Proses penipisan ini merupakan proses menghilangkan piksel-piksel hitam mengubah
menjadi piksel putih pada tepi-tepi pola. Penipisan ini dilakukan dengan mengurangi ketebalan sebuah objek hingga ke batas minimum yang di perlukan oleh program
sehingga dapat dikenali. Citra hasil penipisan ini akan digunakan sebagai masukan untuk dibandingkan dengan target yang telah disediakan. Citra hasil dari penipisan
biasanya disebut dengan skeleton.
2.4. Ekstraksi Fitur
Ekstraksi fitur adalah proses pengukuran terhadap data yang telah dinormalisasi untuk membentuk sebuah nilai fitur. Nilai fitur digunakan oleh pengklasifikasi untuk
mengenali unit masukan dengan unit target keluaran dan memudahkan pengklasifikasian karena nilai ini mudah untuk dibedakan Pradeep et. al, 2011. Pada
penelitian ini , penulis menggunakan metode ekstraksi zoning.
2.4.1. Ekstraksi Ciri Zoning Zoning adalah salah satu ekstraksi fitur yang paling popular dan sederhana untuk
diimplementasikan Sharma et. al, 2012. Sistem optical character recognition OCR komersil yang dikembangkan oleh CALERA menggunakan metode zoning pada citra
biner Bosker, 1992. Setiap citra dibagi menjadi NxM zona dan dari setiap zona tersebut dihitung nilai fitur sehingga didapatkan fitur dengan panjang NxM. Salah satu
cara menghitung nilai fitur setiap zona adalah dengan menghitung jumlah piksel hitam setiap zona dan membaginya dengan jumlah piksel hitam terbanyak pada yang
terdapat pada salah satu zona. Contoh pembagian 3 zona pada citra biner dapat dilihat pada gambar 2.9.
Universitas Sumatera Utara
Gambar 2.9 Pembagian zona pada citra biner Isnan,2012
Ada beberapa algoritme untuk metode ekstraksi ciri zoning, di antaranya metode ekstraksi ciri jarak metrik ICZ image centroid and zone, metode ekstraksi
ciri jarak metrik ZCZ zone centroid and zone. Kedua algoritma tersebut menggunakan citra digital sebagai input dan menghasilkan fitur untuk klasifikasi dan
pengenalan sebagai output-nya. Berikut merupakan tahapan dalam proses ekstraksi ciri ICZ, ZCZ .Rajashekararadhya dan Ranjan 2008.
Algoritme 1: Image Centroid and Zone ICZ berdasarkan jarak metrik. Tahapan
1. Hitung centroid dari citra masukan.
2. Bagi citra masukan ke dalam n zona yang sama.
3. Hitung jarak antara centroid citra dengan masing-masing piksel yang ada
dalam zona 4.
Ulangi langkah ke 3 untuk setiap piksel yang ada di zona. 5.
Hitung rata-rata jarak antara titik-titik tersebut. 6.
Ulangi langkah-langkah tersebut untuk keseluruhan zona. 7.
Hasilnya adalah n fitur yang akan digunakan dalam klasifikasi dan pengenalan .
Zona 1 atas
Zona 2 tengah
Zona 3 bawah
Universitas Sumatera Utara
Algoritma 2: Zone Centroid Zone ZCZ berdasarkan jarak metrik. 1.
Bagi citra masukan ke dalam sejumlah n bagian yang sama . 2.
Hitung centroid dari masing-masing zona. 3.
Hitung jarak antara centroid masing-masing zona dan piksel yang ada di zona.
4. Ulangi langkah ke 3 untuk seluruh piksel yang ada di zona.
5. Hitung rata-rata jarak antara titik-titik tersebut.
6. Ulangi langkah 3-7 untuk setiap zona secara berurutan.
7. Hasilnya adalah n fitur yang akan digunakan dalam klasifikasi dan
pengenalan
2.5. Support Vector Machine SVM
