APLIKASI PEMINDAI LEMBAR JAWABAN OTOMATIS BERBASIS MOBILE.
Giri Prahasta Putra, 2015
APLIKASI PEMINDAI LEMBAR JAWABAN OTOMATIS BERBASIS MOBILE
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
APLIKASI PEMINDAI LEMBAR JAWABAN OTOMATIS
BERBASIS MOBILE
Skripsi
diajukan untuk memenuhi bagian dari syarat memperoleh gelar Sarjana Komputer
Program Studi Ilmu Komputer
Oleh
Giri Prahasta Putra 1000231
PROGRAM STUDI ILMU KOMPUTER
FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PENDIDIKAN INDONESIA
(2)
Giri Prahasta Putra, 2015
APLIKASI PEMINDAI LEMBAR JAWABAN OTOMATIS BERBASIS MOBILE
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
APLIKASI PEMINDAI LEMBAR JAWABAN
OTOMATIS BERBASIS
MOBILE
Oleh
Giri Prahasta Putra
Sebuah skripsi yang diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana pada Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam
© Giri Prahasta Putra 2015 Universitas Pendidikan Indonesia
Februari 2015
Hak Cipta dilindungi undang-undang.
Skripsi ini tidak boleh diperbanyak seluruhnya atau sebagian, dengan dicetak ulang, difoto kopi, atau cara lainnya tanpa ijin dari penulis.
(3)
Giri Prahasta Putra, 2015
APLIKASI PEMINDAI LEMBAR JAWABAN OTOMATIS BERBASIS MOBILE
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
APLIKASI PEMINDAI LEMBAR JAWABAN OTOMATIS
BERBASIS MOBILE
oleh
Giri Prahasta Putra 1000231
DISETUJUI DAN DISAHKAN OLEH Pembimbing 1
Yudi Wibisono, M.T. NIP. 197507072003121003
Pembimbing 2
Herbert Siregar, M.T. NIP. 197005022008121001
Mengetahui
Ketua Program Studi Ilmu Komputer
Jajang Kusnendar, M.T. NIP. 197506012008121001
(4)
Giri Prahasta Putra, 2015
APLIKASI PEMINDAI LEMBAR JAWABAN OTOMATIS BERBASIS MOBILE
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
BAB III
METODE PENELITIAN
Untuk menunjang kegiatan penelitian dalam bab ini akan dijabarkan alat dan bahan, desain penelitian, dan metode penelitian yang dilaksanakan.
3.1 Alat dan Bahan 3.1.1 Alat Penelitian
Alat-alat dan bahan yang digunakan dalam penelitian ini terdiri dari perangkat-perangkat berikut:
1. Perangkat Keras:
a. Smartphone LG G2 Mini dengan spesifikasi berikut:
1. Internal Memory 8GB 2. RAM 1GB
3. Kamera primer 8MP, 3264 x 2488 pixels 4. Processor Quad-core 1.2 GHz Cortex A-7 b. Laptop MacBook Pro dengan spesifikasi berikut:
1. Processor 2.4 GHz Intel Core 2 Duo 2. RAM 4 GB 1067 MHz DDR3 3. Harddisk 250GB
2. Perangkat Lunak:
a. Android OS v4.4.2 (KitKat) b. Sistem Operasi Mac OS X 10.10 c. Java SE Version 7 Update 71 d. Android Developer Tools e. Android SDK 23.0.5
(5)
27
3.1.2 Bahan Penelitian
Bahan yang digunakan dalam penelitian ini adalah 100 data formulir berisi tulisan tangan angka, huruf, dan tanda silang, 100 data formulir berisi tanda silang, dan 10 formulir isian jawaban.
Gambar formulir yang ditangkap maksimum berukuran 400KB dengan resolusi 1280 x 960 piksel.
3.2 Desain Penelitian
Langkah-langkah yang digunakan dalam penelitian ini secara sistemis digambarkan sebagai berikut:
Gambar 3.1 Desain Penelitian
Penjabaran tahap penelitian yang dilakukan adalah sebagai berikut:
1. Studi literatur, kegiatan mengumpulkan penelitian terkait, referensi, dan metode-metode yang umum digunakan pada penelitian.
(6)
28
2. Pengolahan aplikasi training, membuat aplikasi yang digunakan untuk proses pengolahan data di tahap training. Tahap ini menggunakan alur analisis, desain, koding, dan testing.
3. Pengumpulan data, mengumpulkan data-data yang diperlukan pada proses training. Data yang dikumpulkan berupa tulisan tangan menggunakan lembar jawaban khusus yang telah ditetapkan.
4. Proses training, melakukan proses training menggunakan aplikasi yang telah dibuat sebelumnya.
5. Analisis hasil training, menganalisis hasil dari proses training untuk disiapkan pada tahap implementasi
6. Implementasi metode, mengimplementasikan metode dan hasil data training pada aplikasi mobile.
7. Pengolahan aplikasi mobile, membuat aplikasi mobile dengan alur analisis, desain, koding, dan testing.
8. Uji coba sampel, menguji coba aplikasi dengan sampel yang dibuat khusus untuk aplikasi.
9. Dokumentasi, hasil analisis dan uji coba penelitian pengembangan perangkat lunak pemindaian lembar jawaban komputer pada mobile. Hasil dokumentasi berupa skripsi dan dokumen teknis perangkat lunak.
3.3 Metode Penelitian
Penelitian dimulai dengan mencari informasi, data, penelitian terkait, dan teknik-teknik yang digunakan dalam berkaitan dengan tujuan eksperimen. Adapun informasi yang dicari dalam penelitian ini adalah sebagai berikut:
1. Implementasi Neural Network menggunakan Backpropagation pada Optical Character Recognition (OCR).
2. Thresholding.
3. Finder Pattern pada QR Code.
(7)
29
3.4 Pengumpulan Data
Dalam penelitian ini diperlukan informasi dan data yang digunakan untuk pemahaman dan diimplementasikan pada perangkat lunak. Data-data yang digunakan dalam penelitian ini dijabarkan sebagai berikut:
1. Eksplorasi dan Studi Literatur
Dalam penelitian ini dilakukan studi literatur terhadap informasi keilmuan mengenai teknik-teknik terkait didapatkan dari buku-buku, jurnal, dan artikel ilmiah terkait. Ilmu yang didapatkan kemudian dilakukan eksplorasi lebih lanjut dengan melaksanakan uji coba sederhana agar didapatkan gambaran umum penggunaan teknik yang telah ditelaah sebelumnya.
2. Pengumpulan data training
Data training didapat dari 200 orang, dimana 100 orang pertama digunakan untuk data dengan format berkas pertama dan 100 orang kedua digunakan untuk data dengan format berkas kedua. Data didapat dengan memberikan berkas khusus dan diisi menggunakan bolpoin.
3. Data uji
Dalam penelitian ini dibutuhkan banyak data yang menjadi subjek utama dalam pembentukan algoritma dari penelitian yang dilakukan. Data-data berupa tulisan tangan menggunakan format berkas yang telah ditentukan masing-masing dari 10 orang yang berbeda.
3.5 Proses Pengembangan Perangkat Lunak
Pengembangan perangkat lunak yang dilakukan menggunakan metode waterfall. Metode ini terdiri atas langkah-langkah berikut (Ladjamudin, 2006): 1. Penentuan dan analisis spesifikasi
2. Desain sistem dan perangkat lunak 3. Implementasi dan ujicoba unit 4. Integrasi dan uji coba sistem 5. Operasi dan pemeliharaan
(8)
30
Dalam aplikasi ini tahapan yang akan dilakukan untuk melakukan pemrosesan pemindaian adalah sebagai berikut:
(9)
Giri Prahasta Putra, 2015
APLIKASI PEMINDAI LEMBAR JAWABAN OTOMATIS BERBASIS MOBILE
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
DAFTAR PUSTAKA
− . [Online]. http://www.digitalmarkreader.com/. [5 Februari 2014]
− . [Online]. https://www.cvisiontech.com/document-automation/ocr/omr-optical-mark-recognition-2.html?lang=eng [15 April 2014]
Berry, Nick. (2013). Rotating Images. [Online]. Tersedia: http://www.datagenetics.com/blog/august32013/index.html [12 Mei 2014]
Buckles, S. (2006). Using Multiple-Choice Questions to Evaluate In-Depth Learning of Economics. Journal of Economic Education.
Burger, W; Burge, M.J. (2008). Digital Image Processing: An Algorithmic Introduction Using Java. Springer Science+Business Media: New York.
Chen, Weibing; Yang, Gaobo; Zhang, Ganglin. (2012). A Simple and Efficient Image Pre-processing for QR Decoder. 2nd International Conference on Electronic & Mechanical Engineering and Information Technology (EMEIT-2012)
Dr. S. Vijayarani, Mrs.M. Vinupriya. Performance Analysis of Canny and Sobel Edge Detection Algorithms in Image Mining. International Journal of Innovative Research in Computer and Communication Engineering Vol. 1, Issue 8, October 2013
Fisher R., Perkins S., Walker A., Wolfart E.. (2003). Hypermedia Image Processing Reference. Tersedia: http://homepages.inf.ed.ac.uk/rbf/HIPR2 [10 April 2014]
(10)
73
Gharehchopogh, Farhad Soleimanian dan Ahmadzadeh, Ezzat. (2012). Artificial Neural Network Application In Letters Recognition For Farsi/Arabic Manuscripts. INTERNATIONAL JOURNAL OF SCIENTIFIC & TECHNOLOGY RESEARCH VOLUME 1, ISSUE 8, SEPTEMBER 2012.
Jain, K. Anil dan Mao, Jianchang. (1996). Artificial Neural Networks: A Tutorial. IEEE 0018-9162/96.
Jagannathan, L. dan Jawahar, C. V. Perspective Correction Methods for Camera-Based Document Analysis . Proceedings of First International Workshop on Camera Based Document Analysis and Recognition , Aug 2005, Seoul, Korea. pp 148-154
Kriegman. D. (2007). Homography Estimation. Tersedia: https://cseweb.ucsd.edu/classes/wi07/cse252a/homography_estimation/homograp hy_estimation.pdf [23 September 2014]
Kusumadewi. S. (2003). Artificial Intelligence (Teknik dan Aplikasinya). Graha Ilmu: Yogyakarta
Krenker. A, Bester.J, dan Kos. A. (2011). Introduction to the Artificial Neural Networks, Artificial Neural Networks - Methodological Advances and Biomedical Applications, Prof. Kenji Suzuki (Ed.), ISBN: 978- 953-307-243-2, InTech, Tersedia: http://www.intechopen.com/books/artificial-neural-networks-
methodological-advances-and-biomedical-applications/introduction-to-the-artificial-neural-networks [10 Maret 2014]
Ladjamudin B, Al-Bahra. (2006). Rekayasa Perangkat Lunak. Penerbit Garaha Ilmu: Yogyakarta
Liu. Yue, Liu. Mingjun. (2006). Automatic Recognition Algorithm of Quick Response Code Based on Embedded System. Proceedings of the Sixth
(11)
74
International Conference on Intelligent Systems Design and Applications (ISDA'06)
OMR Home. (2010). OMR Frequently Asked Question. Tersedia: http://www.omrhome.com/omr-faq.php. [3 Februari 2014]
Omrsolutions. (2006). Hardware Based OMR V/s Software OMR. Tersedia: http://www.omrsolutions.com/new_web/www/sub_menu_content/articles_hardwa re_omr_vs_software_omr.php. [8 Oktober 2014]
O. Zolqemine, H. Habibollah, R. Mohammed, K. Abdul. Comparison of Canny and Sobel Edge detection in MRI Images. Tersedia:
http://comp.utm.my/pars/files/2013/04/Comparison-of-Canny-and-Sobel-Edge-Detection-in-MRI-Images.pdf [7 April 204]
Prasetyo, Eko. (2011). Pengolahan Citra Digital dan Aplikasinya Menggunakan Matlab. Penerbit Andi: Yogyakarta.
Pribadi, A. Benny. (2011). Model ASSURE: untuk Mendesain Pembelajaran Sukses. Jakarta: Dian Rakyat.
R. F. Walker, M. Bennamoun, B. Boashash. (1993). Comparative Results for Arabic Character Recognition Using Artificial Neural Networks. Proc. of WoSPA'93, SPRC Workshop on Signal Processing and its Applications, Dec.,
Brisbane, Australia. Tersedia:
https://www.academia.edu/2935835/Comparative_Results_for_Arabic_Character _Recognition_Using_Artificial_Neural_Networks [7 April 2014]
Refaeilzadeh. P, Tang. L, Liu, H.(2009). Encyclopedia of Database Systems. United States:Springer
(12)
75
Sauvola J., Pietikäinen M. (1999). Adaptive document image binarization. Pattern Recognition Society. PII: S0031-3203(99)00055-2
Vasudeva, N., Parashar, H. J.,Vijendra,S. (2012). Offline Character Recognition System Using Artificial Neural Network. International Journal of Machine Learning and Computing, Vol. 2, No. 4, August 2012
M. G. Roque, R. M. Musmanno, A. Montenegro, E. W. G. Clua. (2010). Adapting the Sobel Edge Detector and Canny Edge Extractor for iPhone 3GS architecture. IWSSIP 2010 - 17th International Conference on Systems, Signals and Image
Processing. Tersedia:
http://www.creacteve.com.br/iwssip/nav/papers/paper_161.pdf [9 April 2014]
Zampirolli, Francisco de As
Automatic Correction of Multiple-Choice
Tests using Digital Cameras and Image Processing. Tersedia:
(1)
3.4 Pengumpulan Data
Dalam penelitian ini diperlukan informasi dan data yang digunakan untuk pemahaman dan diimplementasikan pada perangkat lunak. Data-data yang digunakan dalam penelitian ini dijabarkan sebagai berikut:
1. Eksplorasi dan Studi Literatur
Dalam penelitian ini dilakukan studi literatur terhadap informasi keilmuan mengenai teknik-teknik terkait didapatkan dari buku-buku, jurnal, dan artikel ilmiah terkait. Ilmu yang didapatkan kemudian dilakukan eksplorasi lebih lanjut dengan melaksanakan uji coba sederhana agar didapatkan gambaran umum penggunaan teknik yang telah ditelaah sebelumnya.
2. Pengumpulan data training
Data training didapat dari 200 orang, dimana 100 orang pertama digunakan untuk data dengan format berkas pertama dan 100 orang kedua digunakan untuk data dengan format berkas kedua. Data didapat dengan memberikan berkas khusus dan diisi menggunakan bolpoin.
3. Data uji
Dalam penelitian ini dibutuhkan banyak data yang menjadi subjek utama dalam pembentukan algoritma dari penelitian yang dilakukan. Data-data berupa tulisan tangan menggunakan format berkas yang telah ditentukan masing-masing dari 10 orang yang berbeda.
3.5 Proses Pengembangan Perangkat Lunak
Pengembangan perangkat lunak yang dilakukan menggunakan metode waterfall. Metode ini terdiri atas langkah-langkah berikut (Ladjamudin, 2006): 1. Penentuan dan analisis spesifikasi
2. Desain sistem dan perangkat lunak 3. Implementasi dan ujicoba unit 4. Integrasi dan uji coba sistem 5. Operasi dan pemeliharaan
(2)
30
Dalam aplikasi ini tahapan yang akan dilakukan untuk melakukan pemrosesan pemindaian adalah sebagai berikut:
(3)
Giri Prahasta Putra, 2015
APLIKASI PEMINDAI LEMBAR JAWABAN OTOMATIS BERBASIS MOBILE
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
DAFTAR PUSTAKA
− . [Online]. http://www.digitalmarkreader.com/. [5 Februari 2014]
− . [Online]. https://www.cvisiontech.com/document-automation/ocr/omr-optical-mark-recognition-2.html?lang=eng [15 April 2014]
Berry, Nick. (2013). Rotating Images. [Online]. Tersedia: http://www.datagenetics.com/blog/august32013/index.html [12 Mei 2014]
Buckles, S. (2006). Using Multiple-Choice Questions to Evaluate In-Depth Learning of Economics. Journal of Economic Education.
Burger, W; Burge, M.J. (2008). Digital Image Processing: An Algorithmic Introduction Using Java. Springer Science+Business Media: New York.
Chen, Weibing; Yang, Gaobo; Zhang, Ganglin. (2012). A Simple and Efficient Image Pre-processing for QR Decoder. 2nd International Conference on Electronic & Mechanical Engineering and Information Technology (EMEIT-2012)
Dr. S. Vijayarani, Mrs.M. Vinupriya. Performance Analysis of Canny and Sobel Edge Detection Algorithms in Image Mining. International Journal of Innovative Research in Computer and Communication Engineering Vol. 1, Issue 8, October 2013
Fisher R., Perkins S., Walker A., Wolfart E.. (2003). Hypermedia Image Processing Reference. Tersedia: http://homepages.inf.ed.ac.uk/rbf/HIPR2 [10 April 2014]
(4)
73
Gharehchopogh, Farhad Soleimanian dan Ahmadzadeh, Ezzat. (2012). Artificial Neural Network Application In Letters Recognition For Farsi/Arabic Manuscripts. INTERNATIONAL JOURNAL OF SCIENTIFIC & TECHNOLOGY RESEARCH VOLUME 1, ISSUE 8, SEPTEMBER 2012.
Jain, K. Anil dan Mao, Jianchang. (1996). Artificial Neural Networks: A Tutorial. IEEE 0018-9162/96.
Jagannathan, L. dan Jawahar, C. V. Perspective Correction Methods for Camera-Based Document Analysis . Proceedings of First International Workshop on Camera Based Document Analysis and Recognition , Aug 2005, Seoul, Korea. pp 148-154
Kriegman. D. (2007). Homography Estimation. Tersedia: https://cseweb.ucsd.edu/classes/wi07/cse252a/homography_estimation/homograp hy_estimation.pdf [23 September 2014]
Kusumadewi. S. (2003). Artificial Intelligence (Teknik dan Aplikasinya). Graha Ilmu: Yogyakarta
Krenker. A, Bester.J, dan Kos. A. (2011). Introduction to the Artificial Neural Networks, Artificial Neural Networks - Methodological Advances and Biomedical Applications, Prof. Kenji Suzuki (Ed.), ISBN: 978- 953-307-243-2, InTech, Tersedia: http://www.intechopen.com/books/artificial-neural-networks-
methodological-advances-and-biomedical-applications/introduction-to-the-artificial-neural-networks [10 Maret 2014]
Ladjamudin B, Al-Bahra. (2006). Rekayasa Perangkat Lunak. Penerbit Garaha Ilmu: Yogyakarta
Liu. Yue, Liu. Mingjun. (2006). Automatic Recognition Algorithm of Quick Response Code Based on Embedded System. Proceedings of the Sixth
(5)
International Conference on Intelligent Systems Design and Applications (ISDA'06)
OMR Home. (2010). OMR Frequently Asked Question. Tersedia: http://www.omrhome.com/omr-faq.php. [3 Februari 2014]
Omrsolutions. (2006). Hardware Based OMR V/s Software OMR. Tersedia: http://www.omrsolutions.com/new_web/www/sub_menu_content/articles_hardwa re_omr_vs_software_omr.php. [8 Oktober 2014]
O. Zolqemine, H. Habibollah, R. Mohammed, K. Abdul. Comparison of Canny and Sobel Edge detection in MRI Images. Tersedia:
http://comp.utm.my/pars/files/2013/04/Comparison-of-Canny-and-Sobel-Edge-Detection-in-MRI-Images.pdf [7 April 204]
Prasetyo, Eko. (2011). Pengolahan Citra Digital dan Aplikasinya Menggunakan Matlab. Penerbit Andi: Yogyakarta.
Pribadi, A. Benny. (2011). Model ASSURE: untuk Mendesain Pembelajaran Sukses. Jakarta: Dian Rakyat.
R. F. Walker, M. Bennamoun, B. Boashash. (1993). Comparative Results for Arabic Character Recognition Using Artificial Neural Networks. Proc. of WoSPA'93, SPRC Workshop on Signal Processing and its Applications, Dec.,
Brisbane, Australia. Tersedia:
https://www.academia.edu/2935835/Comparative_Results_for_Arabic_Character _Recognition_Using_Artificial_Neural_Networks [7 April 2014]
Refaeilzadeh. P, Tang. L, Liu, H.(2009). Encyclopedia of Database Systems. United States:Springer
(6)
75
Sauvola J., Pietikäinen M. (1999). Adaptive document image binarization. Pattern Recognition Society. PII: S0031-3203(99)00055-2
Vasudeva, N., Parashar, H. J.,Vijendra,S. (2012). Offline Character Recognition System Using Artificial Neural Network. International Journal of Machine Learning and Computing, Vol. 2, No. 4, August 2012
M. G. Roque, R. M. Musmanno, A. Montenegro, E. W. G. Clua. (2010). Adapting the Sobel Edge Detector and Canny Edge Extractor for iPhone 3GS architecture. IWSSIP 2010 - 17th International Conference on Systems, Signals and Image
Processing. Tersedia:
http://www.creacteve.com.br/iwssip/nav/papers/paper_161.pdf [9 April 2014]
Zampirolli, Francisco de As Automatic Correction of Multiple-Choice Tests using Digital Cameras and Image Processing. Tersedia: http://iris.sel.eesc.usp.br/wvc/Anais_WVC2013/Poster/1/9.pdf [10 Maret 2014]