Pengenalan Kata Menggunakan Self-Organizing Map Sebagai Input Kamus Berbasis Android
PENGENALAN KATA MENGGUNAKAN SELF-ORGANIZING MAP
SEBAGAI INPUT KAMUS BERBASIS ANDROID
FAJAR MATIUS GINTING
101402055
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
2015
Universitas Sumatera Utara
PENGENALAN KATA MENGGUNAKAN SELF-ORGANIZING MAP SEBAGAI
INPUT KAMUS BERBASIS ANDROID
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana
Teknologi Informasi
FAJAR MATIUS GINTING
101402055
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
2015
Universitas Sumatera Utara
ii
PERSETUJUAN
Judul
: PENGENALAN KATA MENGGUNAKAN SELFORGANIZING MAP SEBAGAI INPUT KAMUS
BERBASIS ANDROID
Kategori
: SKRIPSI
Nama
: FAJAR MATIUS GINTING
Nomor Induk Mahasiswa
: 101402055
Program Studi
: S1 TEKNOLOGI INFORMASI
Departemen
: TEKNOLOGI INFORMASI
Fakultas
: ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing
:
Pembimbing 2
Pembimbing 1
Dani Gunawan, ST.,MT
NIP. 19820915 201212 1 002
Dedy Arisandi, S.T., M.Kom
NIP 19790831 200912 1 002
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi
Ketua,
Muhammad Anggia Muchtar
NIP 19800110 200801 1 010
Universitas Sumatera Utara
iii
PERNYATAAN
PENGENALAN KATA MENGGUNAKAN SELF-ORGANIZING MAP SEBAGAI
INPUT KAMUS BERBASIS ANDROID
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 29 Agustus 2015
Fajar Matius Ginting
101402055
Universitas Sumatera Utara
iv
UCAPAN TERIMA KASIH
Puji dan syukur penulis sampaikan kehadirat Tuhan Yang Maha Esa atas berkat dan
rahmat yang telah diberikan sehingga penulis dapat menyelesaikan skripsi ini sebagai
syarat untuk memperoleh gelar Sarjana Teknologi Informasi Universitas Sumatera
Utara.
Penulis mengucapkan banyak terima kasih kepada Bapak Bapak Dedy
Arisandi, S.T., M.Kom selaku dosen pembimbing pertama dan Bapak Dani Gunawan,
ST.,MT selaku dosen pembimbing kedua yang telah membimbing, memberi kritik dan
saran kepada penulis selama proses penelitian serta penulisan skripsi. Tanpa inspirasi
serta motivasi dari kedua dosen pembimbing, tentunya penulis tidak akan mampu
menyelesaikan skripsi ini. Penulis juga mengucapkan terima kasih kepada Bapak Prof.
Dr. Opim Salim Sitompul, M.Sc selaku dosen pembanding pertama dan Bapak Romi
Fadillah Rahmat, B.Comp.Sc., M.Sc sebagai dosen pembanding kedua yang telah
membantu memberikan kritik dan saran yang membantu penulis dalam pengerjaan
skripsi ini. Ucapan terima kasih juga penulis tujukan pada semua dosen, pegawai
serta staff pada program studi S1 Teknologi Informasi yang telah membantu dan
membimbing penulis selama proses perkuliahan.
Penulis juga berterima kasih terutama kepada kedua orang tua penulis, Bapak
Laurentius Ginting Manik serta Ibu Rasmita Milala yang telah membesarkan penulis
dengan sabar dan penuh kasih sayang. Penulis juga berterima kasih kepada adik dan
kakak penulis Terbit Kornelius Ginting dan Maria Mentari Ginting serta seluruh
anggota keluarga penulis yang namanya tidak dapat disebutkan satu per satu.
Terima kasih juga penulis ucapkan kepada senior-senior serta junior-junior
Teknologi Informasi di Universitas Sumatera Utara. Secara khusus, penulis ingin
mengucapkan terima kasih banyak kepada sahabat penulis, Handri Gunawan Lubis
yang telah memberikan dukungan materil berupa Android yang digunakan dalam
penelitian ini dan secara umum kepada seluruh teman-teman angkatan 2010 Teknologi
Informasi yang telah bersama-sama dengan penulis melewati seluruh proses
perkuliahan di Universitas Sumatera Utara ini.
Universitas Sumatera Utara
v
ABSTRAK
Salah satu kesulitan yang dialami turis ketika berkunjung ke Rusia adalah
masalah bahasa. Penggunaan aplikasi kamus Bahasa Rusia dapat digunakan untuk
mengatasi masalah tersebut. Akan tetapi, muncul masalah jika turis tidak familiar
terhadap huruf yang dipakai Bahasa Rusia. Bahasa Rusia menggunakan huruf
Cyrillic yang penggunaannya terbatas pada Rusia dan beberapa negara
tetangganya. Huruf Cyrillic bentuknya berbeda dengan huruf latin. Hal ini sangat
menyulitkan turis ketika ingin melakukan penerjemahan dengan mengetikkan
kata dari Bahasa Rusia ke aplikasi kamus. Oleh karena itu dibutuhkan sebuah cara
untuk menginputkan kata dalam Bahasa Rusia yang menggunakan huruf Cyrillic
tersebut. Salah satunya adalah dengan mengambil gambar dari kata yang ingin
diterjemahkan, lalu dikenali polanya. Pengenalan pola akan menggunakan
jaringan saraf tiruan Self-organizing Map. Pengolahan citra untuk mendapatkan
nilai masukan untuk pengenalan polanya akan menggunakan binarisasi, penapisan
derau, segmentasi, thinning, dan kemudian fitur akan diekstrak menggunakan
pemetaan piksel. Citra kata akan di potong-potong menjadi citra karakter,
kemudian setiap citra karakter akan di ekstrak fiturnya, dan dikirim ke server
untuk dikenali polanya. Hasil dari server akan dikirim ke klien untuk ditampilkan.
Hasil yang didapat adalah, sistem mampu mengenali karakter Cyrillic dengan
akurasi dari pengenalan yang didapatkan adalah 91,92% terhadap data uji yang
berupa huruf dan 83,79% untuk data uji yang berupa kata.
Kata Kunci : self-organizing map, jaringan saraf tiruan, pengenalan karakter
optik, Cyrillic, pengolahan citra.
Universitas Sumatera Utara
vi
ANDROID DICTIONARY APPLICATION WITH IMAGE RECOGNITION USING
SELF ORGANIZING MAP
ABSTRACT
One of tourist problems when visiting Russia is language problem. The use of
dictionary application for Russian language can overcome this language problem. But
another problem arise when the tourist is not familiar with the alphabet used by
Russian language. The Russian language using Cyrillic alphabet, which its use limited
only to Russia and some of Russias neighboring states. The Cyrillic alphabet has
different form than Latin alphabet. Because of this, tourist will encounter difficulties
when trying to translate Russian word by typing it to the dictionary application.
Therefore, other method of inputting is needed. One of them is by taking the picture of
the word, and then recognize the pattern. Pattern recognizing will use one of neural
network method, Self-organizing Map. Image processing will be used to get the input
value for pattern recognition, such as binarisation, noise filtering, segmentation,
thinning, and then the feature will be extracted using pixel mapping. The image
containing the word is segmented into many image that containing one character each,
and each of that isolated image will have its feature extracted, and then send to server
for recognition. The recognition result will be send back to the android client, and
shown to the user. The result is, system is able to recognize Cyrillic character pattern
with accuracy of recognition is 91,92% for test data in the form of letters and 83,79%
for test data in the form of words.
Keywords : self-organizing map, optical character recognition, Cyrillic, image
processing.
Universitas Sumatera Utara
vii
DAFTAR ISI
Persetujuan
ii
Pernyataan
iii
Ucapan Terima Kasih
iv
Abstrak
v
Abstract
vi
Daftar Isi
vii
Dafter Tabel
ix
Daftar Gambar
x
BAB 1 PENDAHULUAN
1
1.1 Latar Belakang
1
1.2 Rumusan Masalah
3
1.3 Tujuan Penelitian
3
1.4 Batasan Masalah
3
1.5 Manfaat Penelitian
4
1.6 Sistematika Penulisan
4
BAB 2 LANDASAN TEORI
5
2.1 Bahasa Rusia
5
2.2 Pengolahan Citra Digital
8
2.2.1 Pengertian Citra
8
2.2.2. Binerisasi
9
2.2.3 Penapisan Derau
11
2.2.4 Segmentasi
13
2.2.5 Thinning
14
2.3 Ekstraksi Fitur
16
2.4 Pengenalan Pola
17
2.5 Self-Organizing Map
18
2.6 Penelitian Terkait
20
BAB 3 ANALISIS DAN PERANCANGAN
23
Universitas Sumatera Utara
viii
3.1 Basis data yang digunakan
23
3.2 Arsitektur umum
24
3.2.1 Input Citra
26
3.2.2 Prapengolahan Citra
26
3.2.3 Ekstraksi Fitur
38
3.2.4 Menerima Data pada server
38
3.2.5 Klasifikasi
39
3.2.6 Pelatihan
40
3.2.7 Menerima Data pada klien
41
3.2.8 Penerjemahan
42
3.2.9 Menampilkan Hasil
42
3.3 Use case dan User case spesification
44
3.3.1 Use case
44
3.3.2 Use case spesification
44
BAB 4 IMPLEMENTASI DAN PENGUJIAN
4.1 Pengujian Server
48
48
4.1.1 Proses Pelatihan
48
4.1.2 Proses Pengujian
48
4.2 Pengujian Klien
BAB 5 KESIMPULAN DAN SARAN
50
57
5.1 Kesimpulan
57
5.2 Saran
57
Daftar Pustaka
59
Lampiran A : Hasil Pengujian terhadap huruf
62
Lampiran B : Hasil Pengujian terhadap kata
67
Universitas Sumatera Utara
ix
DAFTAR TABEL
Tabel 2.1 Tabel huruf Cyrillic
7
Tabel 2.2 Tabel Penelitian Terdahulu
21
Tabel 3.1 Contoh rekord dari database
23
Tabel 3.2 Penggunaan Font
40
Tabel 3.3 HКЬТХ PОЧМШМШФКЧ НКЭКЛКЬО НОЧРКЧ ЦКЬЮФКЧ “
”
42
Tabel 3.4 Use Case spesifikasi untuk user
45
Tabel 3.5 Use Case spesifikasi untuk pelatihan
45
Tabel 4.6 Use Case spesifikasi untuk pengujian
46
Tabel 4.1 Hasil pengujian data latih
49
Tabel 4.2 Hasil pengujian data uji
49
Tabel 4.3 Hasil dari pengenalan kata
55
Universitas Sumatera Utara
x
DAFTAR GAMBAR
Gambar 2.1
Piksel pada citra
8
Gambar 2.2
Hasil binerisasi dengn algoritma Otsu
11
Gambar 2.3
Piksel dan tetangganya
12
Gambar 2.4
Citra dengan Median Filter
13
Gambar 2.5
Ilustrasi pemotongan karakter dari sebuah citra
14
Gambar 2.6
Proses Thinning
16
Gambar 2.7
Ilustrasi pemetaan piksel, dari citra menjadi untaian nilai
17
Gambar 2.8
Struktur Sistem Pengenalan Pola
17
Gambar 2.9
Contoh jaringan kohonen dengan ukuran node 4x4 dan
2 unit masukan
19
Gambar 3.1
Diagram blok sistem secara keseluruhan
24
Gambar 3.2
Diagram blok prapengolahan citra pada klien
25
Gambar 3.3
Diagram blok pelatihan pada server
26
Gambar 3.4
Diagram blok prapengolahan citra pada server
26
Gambar 3.5
Flowchart median filter 3x3
27
Gambar 3.6
Hasil penapisan derau
28
Gambar 3.7
Flowchart Grayscaling
29
Gambar 3.8
Flowchart penentuan ambang batas menggunakan metode Otsu
30
Gambar 3.9
Flowchart metode ambang batas
31
Gambar 3.10 Hasil Binerisasi
32
Gambar 3.11 Flowchart segmentasi kata menjadi kolom yang berisi satu huruf
34
Gambar 3.12 Hasil Segmentasi
35
Gambar 3.13 Flowchart proses penskalaan
35
Gambar 3.14 Hasil penskalaan dari sebuah karakter
36
Gambar 3.15 Flowchart proses thinning dengan metode Zhang-Suen
37
Gambar 3.16 Hasil proses thinning
38
Universitas Sumatera Utara
xi
Gambar 3.17 Diagram alir klasifikasi data hasil ekstraksi fitur
39
Gambar 3.18 Diagram alir proses pelatihan
41
Gambar 3.19 Rancangan tampilan hasil
43
Gambar 3.20 Use Case
44
Gambar 4.1
Iklan dari potongan sebuah majalah berbahasa Rusia
50
Gambar 4.2
Menentukan bagian yang mengandung kata yang ingin
diterjemahkan
51
Gambar 4.3
Bagian yang dipilih oleh user
51
Gambar 4.4
Hasil penapisan derau
52
Gambar 4.5
Hasil binerisasi
52
Gambar 4.6
Hasil segmentasi
53
Gambar 4.7
Hasil penskalaan
53
Gambar 4.8
Hasil dari prapengolahan citra
53
Gambar 4.9
Hasil penerjemahan ditampilkan berserta bagian yang dijadikan
Masukan oleh pengguna
54
Universitas Sumatera Utara
SEBAGAI INPUT KAMUS BERBASIS ANDROID
FAJAR MATIUS GINTING
101402055
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
2015
Universitas Sumatera Utara
PENGENALAN KATA MENGGUNAKAN SELF-ORGANIZING MAP SEBAGAI
INPUT KAMUS BERBASIS ANDROID
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana
Teknologi Informasi
FAJAR MATIUS GINTING
101402055
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
2015
Universitas Sumatera Utara
ii
PERSETUJUAN
Judul
: PENGENALAN KATA MENGGUNAKAN SELFORGANIZING MAP SEBAGAI INPUT KAMUS
BERBASIS ANDROID
Kategori
: SKRIPSI
Nama
: FAJAR MATIUS GINTING
Nomor Induk Mahasiswa
: 101402055
Program Studi
: S1 TEKNOLOGI INFORMASI
Departemen
: TEKNOLOGI INFORMASI
Fakultas
: ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing
:
Pembimbing 2
Pembimbing 1
Dani Gunawan, ST.,MT
NIP. 19820915 201212 1 002
Dedy Arisandi, S.T., M.Kom
NIP 19790831 200912 1 002
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi
Ketua,
Muhammad Anggia Muchtar
NIP 19800110 200801 1 010
Universitas Sumatera Utara
iii
PERNYATAAN
PENGENALAN KATA MENGGUNAKAN SELF-ORGANIZING MAP SEBAGAI
INPUT KAMUS BERBASIS ANDROID
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 29 Agustus 2015
Fajar Matius Ginting
101402055
Universitas Sumatera Utara
iv
UCAPAN TERIMA KASIH
Puji dan syukur penulis sampaikan kehadirat Tuhan Yang Maha Esa atas berkat dan
rahmat yang telah diberikan sehingga penulis dapat menyelesaikan skripsi ini sebagai
syarat untuk memperoleh gelar Sarjana Teknologi Informasi Universitas Sumatera
Utara.
Penulis mengucapkan banyak terima kasih kepada Bapak Bapak Dedy
Arisandi, S.T., M.Kom selaku dosen pembimbing pertama dan Bapak Dani Gunawan,
ST.,MT selaku dosen pembimbing kedua yang telah membimbing, memberi kritik dan
saran kepada penulis selama proses penelitian serta penulisan skripsi. Tanpa inspirasi
serta motivasi dari kedua dosen pembimbing, tentunya penulis tidak akan mampu
menyelesaikan skripsi ini. Penulis juga mengucapkan terima kasih kepada Bapak Prof.
Dr. Opim Salim Sitompul, M.Sc selaku dosen pembanding pertama dan Bapak Romi
Fadillah Rahmat, B.Comp.Sc., M.Sc sebagai dosen pembanding kedua yang telah
membantu memberikan kritik dan saran yang membantu penulis dalam pengerjaan
skripsi ini. Ucapan terima kasih juga penulis tujukan pada semua dosen, pegawai
serta staff pada program studi S1 Teknologi Informasi yang telah membantu dan
membimbing penulis selama proses perkuliahan.
Penulis juga berterima kasih terutama kepada kedua orang tua penulis, Bapak
Laurentius Ginting Manik serta Ibu Rasmita Milala yang telah membesarkan penulis
dengan sabar dan penuh kasih sayang. Penulis juga berterima kasih kepada adik dan
kakak penulis Terbit Kornelius Ginting dan Maria Mentari Ginting serta seluruh
anggota keluarga penulis yang namanya tidak dapat disebutkan satu per satu.
Terima kasih juga penulis ucapkan kepada senior-senior serta junior-junior
Teknologi Informasi di Universitas Sumatera Utara. Secara khusus, penulis ingin
mengucapkan terima kasih banyak kepada sahabat penulis, Handri Gunawan Lubis
yang telah memberikan dukungan materil berupa Android yang digunakan dalam
penelitian ini dan secara umum kepada seluruh teman-teman angkatan 2010 Teknologi
Informasi yang telah bersama-sama dengan penulis melewati seluruh proses
perkuliahan di Universitas Sumatera Utara ini.
Universitas Sumatera Utara
v
ABSTRAK
Salah satu kesulitan yang dialami turis ketika berkunjung ke Rusia adalah
masalah bahasa. Penggunaan aplikasi kamus Bahasa Rusia dapat digunakan untuk
mengatasi masalah tersebut. Akan tetapi, muncul masalah jika turis tidak familiar
terhadap huruf yang dipakai Bahasa Rusia. Bahasa Rusia menggunakan huruf
Cyrillic yang penggunaannya terbatas pada Rusia dan beberapa negara
tetangganya. Huruf Cyrillic bentuknya berbeda dengan huruf latin. Hal ini sangat
menyulitkan turis ketika ingin melakukan penerjemahan dengan mengetikkan
kata dari Bahasa Rusia ke aplikasi kamus. Oleh karena itu dibutuhkan sebuah cara
untuk menginputkan kata dalam Bahasa Rusia yang menggunakan huruf Cyrillic
tersebut. Salah satunya adalah dengan mengambil gambar dari kata yang ingin
diterjemahkan, lalu dikenali polanya. Pengenalan pola akan menggunakan
jaringan saraf tiruan Self-organizing Map. Pengolahan citra untuk mendapatkan
nilai masukan untuk pengenalan polanya akan menggunakan binarisasi, penapisan
derau, segmentasi, thinning, dan kemudian fitur akan diekstrak menggunakan
pemetaan piksel. Citra kata akan di potong-potong menjadi citra karakter,
kemudian setiap citra karakter akan di ekstrak fiturnya, dan dikirim ke server
untuk dikenali polanya. Hasil dari server akan dikirim ke klien untuk ditampilkan.
Hasil yang didapat adalah, sistem mampu mengenali karakter Cyrillic dengan
akurasi dari pengenalan yang didapatkan adalah 91,92% terhadap data uji yang
berupa huruf dan 83,79% untuk data uji yang berupa kata.
Kata Kunci : self-organizing map, jaringan saraf tiruan, pengenalan karakter
optik, Cyrillic, pengolahan citra.
Universitas Sumatera Utara
vi
ANDROID DICTIONARY APPLICATION WITH IMAGE RECOGNITION USING
SELF ORGANIZING MAP
ABSTRACT
One of tourist problems when visiting Russia is language problem. The use of
dictionary application for Russian language can overcome this language problem. But
another problem arise when the tourist is not familiar with the alphabet used by
Russian language. The Russian language using Cyrillic alphabet, which its use limited
only to Russia and some of Russias neighboring states. The Cyrillic alphabet has
different form than Latin alphabet. Because of this, tourist will encounter difficulties
when trying to translate Russian word by typing it to the dictionary application.
Therefore, other method of inputting is needed. One of them is by taking the picture of
the word, and then recognize the pattern. Pattern recognizing will use one of neural
network method, Self-organizing Map. Image processing will be used to get the input
value for pattern recognition, such as binarisation, noise filtering, segmentation,
thinning, and then the feature will be extracted using pixel mapping. The image
containing the word is segmented into many image that containing one character each,
and each of that isolated image will have its feature extracted, and then send to server
for recognition. The recognition result will be send back to the android client, and
shown to the user. The result is, system is able to recognize Cyrillic character pattern
with accuracy of recognition is 91,92% for test data in the form of letters and 83,79%
for test data in the form of words.
Keywords : self-organizing map, optical character recognition, Cyrillic, image
processing.
Universitas Sumatera Utara
vii
DAFTAR ISI
Persetujuan
ii
Pernyataan
iii
Ucapan Terima Kasih
iv
Abstrak
v
Abstract
vi
Daftar Isi
vii
Dafter Tabel
ix
Daftar Gambar
x
BAB 1 PENDAHULUAN
1
1.1 Latar Belakang
1
1.2 Rumusan Masalah
3
1.3 Tujuan Penelitian
3
1.4 Batasan Masalah
3
1.5 Manfaat Penelitian
4
1.6 Sistematika Penulisan
4
BAB 2 LANDASAN TEORI
5
2.1 Bahasa Rusia
5
2.2 Pengolahan Citra Digital
8
2.2.1 Pengertian Citra
8
2.2.2. Binerisasi
9
2.2.3 Penapisan Derau
11
2.2.4 Segmentasi
13
2.2.5 Thinning
14
2.3 Ekstraksi Fitur
16
2.4 Pengenalan Pola
17
2.5 Self-Organizing Map
18
2.6 Penelitian Terkait
20
BAB 3 ANALISIS DAN PERANCANGAN
23
Universitas Sumatera Utara
viii
3.1 Basis data yang digunakan
23
3.2 Arsitektur umum
24
3.2.1 Input Citra
26
3.2.2 Prapengolahan Citra
26
3.2.3 Ekstraksi Fitur
38
3.2.4 Menerima Data pada server
38
3.2.5 Klasifikasi
39
3.2.6 Pelatihan
40
3.2.7 Menerima Data pada klien
41
3.2.8 Penerjemahan
42
3.2.9 Menampilkan Hasil
42
3.3 Use case dan User case spesification
44
3.3.1 Use case
44
3.3.2 Use case spesification
44
BAB 4 IMPLEMENTASI DAN PENGUJIAN
4.1 Pengujian Server
48
48
4.1.1 Proses Pelatihan
48
4.1.2 Proses Pengujian
48
4.2 Pengujian Klien
BAB 5 KESIMPULAN DAN SARAN
50
57
5.1 Kesimpulan
57
5.2 Saran
57
Daftar Pustaka
59
Lampiran A : Hasil Pengujian terhadap huruf
62
Lampiran B : Hasil Pengujian terhadap kata
67
Universitas Sumatera Utara
ix
DAFTAR TABEL
Tabel 2.1 Tabel huruf Cyrillic
7
Tabel 2.2 Tabel Penelitian Terdahulu
21
Tabel 3.1 Contoh rekord dari database
23
Tabel 3.2 Penggunaan Font
40
Tabel 3.3 HКЬТХ PОЧМШМШФКЧ НКЭКЛКЬО НОЧРКЧ ЦКЬЮФКЧ “
”
42
Tabel 3.4 Use Case spesifikasi untuk user
45
Tabel 3.5 Use Case spesifikasi untuk pelatihan
45
Tabel 4.6 Use Case spesifikasi untuk pengujian
46
Tabel 4.1 Hasil pengujian data latih
49
Tabel 4.2 Hasil pengujian data uji
49
Tabel 4.3 Hasil dari pengenalan kata
55
Universitas Sumatera Utara
x
DAFTAR GAMBAR
Gambar 2.1
Piksel pada citra
8
Gambar 2.2
Hasil binerisasi dengn algoritma Otsu
11
Gambar 2.3
Piksel dan tetangganya
12
Gambar 2.4
Citra dengan Median Filter
13
Gambar 2.5
Ilustrasi pemotongan karakter dari sebuah citra
14
Gambar 2.6
Proses Thinning
16
Gambar 2.7
Ilustrasi pemetaan piksel, dari citra menjadi untaian nilai
17
Gambar 2.8
Struktur Sistem Pengenalan Pola
17
Gambar 2.9
Contoh jaringan kohonen dengan ukuran node 4x4 dan
2 unit masukan
19
Gambar 3.1
Diagram blok sistem secara keseluruhan
24
Gambar 3.2
Diagram blok prapengolahan citra pada klien
25
Gambar 3.3
Diagram blok pelatihan pada server
26
Gambar 3.4
Diagram blok prapengolahan citra pada server
26
Gambar 3.5
Flowchart median filter 3x3
27
Gambar 3.6
Hasil penapisan derau
28
Gambar 3.7
Flowchart Grayscaling
29
Gambar 3.8
Flowchart penentuan ambang batas menggunakan metode Otsu
30
Gambar 3.9
Flowchart metode ambang batas
31
Gambar 3.10 Hasil Binerisasi
32
Gambar 3.11 Flowchart segmentasi kata menjadi kolom yang berisi satu huruf
34
Gambar 3.12 Hasil Segmentasi
35
Gambar 3.13 Flowchart proses penskalaan
35
Gambar 3.14 Hasil penskalaan dari sebuah karakter
36
Gambar 3.15 Flowchart proses thinning dengan metode Zhang-Suen
37
Gambar 3.16 Hasil proses thinning
38
Universitas Sumatera Utara
xi
Gambar 3.17 Diagram alir klasifikasi data hasil ekstraksi fitur
39
Gambar 3.18 Diagram alir proses pelatihan
41
Gambar 3.19 Rancangan tampilan hasil
43
Gambar 3.20 Use Case
44
Gambar 4.1
Iklan dari potongan sebuah majalah berbahasa Rusia
50
Gambar 4.2
Menentukan bagian yang mengandung kata yang ingin
diterjemahkan
51
Gambar 4.3
Bagian yang dipilih oleh user
51
Gambar 4.4
Hasil penapisan derau
52
Gambar 4.5
Hasil binerisasi
52
Gambar 4.6
Hasil segmentasi
53
Gambar 4.7
Hasil penskalaan
53
Gambar 4.8
Hasil dari prapengolahan citra
53
Gambar 4.9
Hasil penerjemahan ditampilkan berserta bagian yang dijadikan
Masukan oleh pengguna
54
Universitas Sumatera Utara