PENGEMBANGAN APLIKASI TRANSLATOR SUNDA I
PENGEMBANGAN APLIKASI TRANSLATOR SUNDA-INDONESIA-INGGRIS
MENGGUNAKAN CAPTURE CAMERA PADA SMARTPHONE ANDROID
Maulana Wahid Abdurrahman
mau.wahid@ieee.org
Teknik Informatika, UIN Syarif Hidayatullah Jakarta
Abstrak
Pemerintah Jawa Barat berusaha mengfungsikan bahasa Sunda secara
maksimal dengan menetapkan beberapa kebijakan sebagai bagian dari perencanaan
pengembangan bahasa Sunda. Dengan menggunakan kamera pada smartphone,
penulis berusaha mengembangkan aplikasi penerjemahan teks bahasa Sunda
menggunakan kamera agar memudahkan masyarakat mempelajari bahasa Sunda
secara interaktif. Pengembangan aplikasi ini library Tesseract sebagai engine OCR.
Hasil pengujian membuktikan bahwa aplikasi ini dapat digunakan dengan tingkat
keberhasilan 70 %.
Kata Kunci : Translator, Sunda, Indonesia, Inggris, Capture Camera, Tesseract,
Android
Pendahuluan
Bahasa sunda merupakan
salah satu bahasa daerah di Indonesia
yang memiliki jumlah penutur
terbesar kedua di Indonesia setelah
bahasa Jawa (65 Juta). Terdapat 23
juta penutur bahasa sunda yang
berada di seluruh Indonesia,
terutama yang mendiami Propinsi
Jawa Barat dan Banten. Tak heran
bila bahasa Sunda memiliki posisi
yang sangat penting dalam konteks
keindonesiaan (Kuswara, 2011:2).
Bahkan, bahasa Sunda diakui
UNESCO sebagai bahasa indung
Internasional (Ahmadheryawan.com,
20/09/2012).
Beberapa penelitian skripsi
dan tesis dari Universitas Pendidikan
Indonesia menunjukan perlunya
sebuah upaya dari berbagai kalangan
untuk
membantu
melestarikan
bahasa sunda. Sebagai contoh, Cindy
Nurwulan misalnya mengembangkan
Computer Assisted Instuction agar
dapat meningkatkan pelajar bahasa
sunda di kelas V (Nurwulan, 2011).
Selanjutnya, Eli Martini berusaha
mengembangkan model peningkatan
penguasaan kosakata bahasa Sunda
anak melalui penggunaan media
Flash Card (Martini, 2009). Iis
Aisyah berusaha meningkatkan
penguasaan kosakata bahasa Sunda
pada anak menggunakan melalui
metode
bercerita
dengan
menggunakan
media
gambar
(Aisyah,
2011).
Contoh-contoh
penelitian tersebut
menunjukan
bahwa
upaya
mengembangkan
kemampuan bahasa Sunda terus
dilakukan oleh kalangan akademik.
Beberapa diantara mereka seperti
(Martini, 2009) dan (Aisyah,2011)
merekomendasikan metode ataupun
teknologi baru untuk membantu
meningkatkan kemampuan kosakata
bahasa Sunda bagi para siswa.
Dengan
memanfaatkan
kamera
Smartphone,
penulis
mengembangkan Aplikasi Translator
Sunda
Indonesia
Inggris
menggunakan Capture Camera Pada
Smartphone Android.
Color Image
Landasan Teori
Otsu Thresholding
Optical Character Recognition
Optical
Character
Recognition
merupakan konversi elektronik ataupun
mekanik dari gambar yang berupa
tulisan tangan maupun teks menjadi teks
digital sehingga dapat digunakan secara
elektronik untuk berbagai keperluan.
Optical character recognition ini
merupakan bagian dari konsep pattern
recognition (Pandya, 1995).
Tesseract
Google Tesseract merupakan engine
optical character recognition yang
awalnya dikembangkan oleh Hewlet
Packard pada tahun 1985 hingga 1995.
Pada tahun 1995 Tesseract merupakan
salah satu yang terbaik pada test akurasi
engine UNVL. Saat ini Tesseract
dikembangkan
oleh
google
dan
dikembangkan sebagai proyek open
source. Dengan demikian, Tesseract
dapat dikembangkan dengan bebas oleh
siapapun. Tesseract dianggap sebagai
engine OCR open source terbaik saat ini
(Smith, 2007 :1).
Alur kerja tesseract ocr engine
tesebut sebagai berikut (Bhaskar, 2011 :
1):
Connected
Component
Labeling
Line Finding
Algorithm
Baseline Fitting
Algorithm
Fixed Pitch
Detection
Non Fixed Pitch
Spacing Delimiting
Adaptive Classifier
UTF 8 Text
1. Color Image
Color Image atau citra
warna merupakan citra digital
yang menyimpan nilai warna pada
setiap piksel. Setiap piksel pada
citra diisi oleh nilai bit yang
merupakan representasi dari nilai
warna. Informasi nilai warna pada
citra direpresentasikan dengan
array dua dimensi dalam bentuk
raster map atau bitmap (Putra,
2010 : 41).
2. Otsu Thresholding
Otsu
Thresholding
merupakan pengambangan citra
agar menjadi citra biner dengan
mengambil
nilai
ambang
(threshold) dari analisis terhadap
bagian lokal citra sehingga
masing-masing bagian dari citra
dapat memiliki nilai ambang yang
berbeda.
3. Connected Component Labelling
Connected
Component
Labelling adalah proses untuk
mendeteksi component-component
karakter yang saling terhubung.
Pada
proses
ini
Tesseract
melakukan pencarian sepanjang
citra kemudian mengidentifikasi
piksel latar depan, dan menandai
mereka sebagai blob atau karakter
potensial.
4. Line Finding Algorithm
Line Finding Algorithm
merupakan
algoritma
untuk
mencari baris pada teks. Pada
Tesseract, algoritma line finding
dirancang supaya halaman miring
dapat dikenali tanpa harus di
deskew (proses untuk mengubah
halaman yang miring menjadi
tegak lurus) sehingga tidak
menurunkan kualitas gambar.
Kunci bagian proses ini adalah
blob filtering dan line construction
(Smith, 2007 : 2).
5. Baseline Fitting Algorithm
Setelah baris teks telah
ditemukan,
garis
pangkal
(baseline) dicocokan secara lebih
tepat menggunakan quadratic
spline.
Quadratic
spline
merupakan
metode
untuk
menghasilkan titik pada sebuah
rentang data yang telah diketahui
sebelumnya. Quadratic spline
menggunakan polinomial dengan
degree rendah sehingga mampu
membentuk garis dengan halus
(Smith, 2007 : 2).
6. Fixed Pitch Detection
Tahap
selanjutnya
tesseract memperkirakan lebar
karakter yang dideteksi. Tahap ini
mendeteksi karakter yang memiliki
lebar tetap. Bila karakter berhasil
dideteksi, selanjutnya tesseract
melakukan
chopping
(pemotongan) karakter sehingga
karakter pada teks menjadi
terpotong-potong. Potongan ini
yang
selanjutnya
akan
diklasifikasikan (Smith, 2007 : 2).
Contoh gambar karakter yang telah
di potong.
Fixed Pitch Detection Pada Tesseract
7. Non Fixed Pitch Detection
Bila teks yang digunakan
tidak memiliki lebar garis tepi
tetap, Tesseract akan melakukan
algoritma non fixed pitch detection
dengan cara mengukur batasan
kesenjangan antara base line
dengan mean line (garis tengah).
Ruang pada citra yang mendekati
nilai
threshold
akan
dikalsifikasikan dengan fuzzy
sehingga akan ditentukan sebagai
bagian fitur yang akan dikenali
ataupun tidak (Smith, 2007 : 2).
Contoh gambar non fixed pitch :
Contoh Non Fixed Pitch
8. Adaptive Classifier
Selanjutnya
Tesseract
akan mengklasifikasi citra karakter
yang telah diolah pada proses
sebelumnya dengan menggunakan
algoritma klasifikasi (classifier)
adaptive classifier.
Alur Program
Rancangan Sistem yang
kembangkan sebagai berikut :
penulis
Teks Bahasa Daerah/
Indonesia/Inggris
Microsoft Translator
Pengambilan Teks Oleh Kamera/Ketik
Terjemah Ke Bahasa Indonesia/Inggris
Bila sumber bahasa Inggris/Indonesia
4. Bila bahasa asal atau bahasa tujuan
adalah bahasa daerah, maka teks
yang dihasilkan akan diterjemahkan
menggunakan web service aplikasi.
Web
service
aplikasi
sendiri
merupakan layanan web yang
meberikan layanan penerjemahan
teks bahasa daerah. Pada server web
tersebut, penulis mengembangkan
database kamus bahasa daerah.
Proses pengenalan pola yang dilakukan
oleh aplikasi ini sebagai berikut :
Gambar
Terjemah Ke Bahasa Daerah
Android Smartphone
Tangkap Gambar
CameraPreview.java
Web Service Aplikasi
Blok Diagram Sistem
Penjelasan blok diagram sistem sebagai
berikut :
1. Pengguna
aplikasi
melakukan
penangkapan gambar teks dengan
menggunakan
kamera
pada
smartphone Android.
2. Gambar yang ditangkap kemudian di
kenali oleh sistem yang selanjutnya
akan diterjemahkan dalam bentuk
teks unicode. Teks dalam bentuk
unicode
ini
kemudian
akan
ditampilkan
pada
layar
dan
selanjutnya diterjemahkan sesuai
bahasa yang dituju.
3. Bila bahasa asal merupakan bahasa
Inggris sedangkan bahasa tujuan
merupakan
bahasa
Indonesia,
maupun sebaliknya, maka aplikasi
akan menggunakan library Microsoft
Translator
untuk
mengakses
database Microsoft Translator yang
ada pada Server Microsoft untuk
menerjemahkan teks bahasa sumber
menuju
bahasa
tujuan
agar
didapatkan hasil terjemahan yang
diinginkan.
Simpan Gambar
Sd/iterator/test.jpg
Pengenalan Pola Tulisan
startOCR();
Panggil Tesseract OCR Engine
Penerjemahan
Terjemahan.terjemahkan();
Panggil Microsoft Translator/
Ambil JSON dari Iterator Web
Service
Tampilkan Hasil
Proses Pengenalan Dan Penerjemahan.
Pengujian
Hasil dari total
dilakukan ialah :
Jumlah
Gambar
71
Sukses
pengujian
Gagal
50 (70 21
%)
(30
yang
%)
Kesimpulan dari pengujian yang telah
dilakukan :
4. Penerjemahan dipengaruhi oleh
koneksi internet dan ketersediaan
data di database server.
Saran
1. Aplikasi ini dapat digunakan karena
memiliki tingkat keberhasilan hingga
70 %.
2. Kegagalan
pengenalan
pola
disebabkan karena :
a) Jenis Font
b) Pencahayaan
c) Ukuran Gambar Warna Font
3. Background
Font
Kegagalan
penerjemahan diakibatkan karena :
a) Kegagalan pengenalan pola tulisan
Sistem yang dibangun masih
memiliki beberapa kekurangan, oleh
karena itu perlu adanya pengembangan
agar sistem menjadi lebih baik.
1. Pengenalan pola bisa lebih
ditingkatkan kembali.
2. Perlu ditambahkan fitur
autofocus dan zoom.
3. Diharapkan
data
kamus
dikembangkan ke dalam
bahasa daerah lainnya, seperti
Jawa, Madura, Minang, dan
lain-lain.
b) Data yang belum tersedia
c) Akses koneksi internet yang tidak
memadai
Kesimpulan
Dari pembahasan yang sudah diuraikan,
dapat disimpulkan bahwa :
1. Aplikasi penerjemahan teks
bahasa Sunda menggunakan
kamera dapat digunakan dengan
tingkat keberhasilan hingga 70
%.
2. Aplikasi
ini
dapat
menerjemahkan teks ke dalam
tiga bahasa, yakni Sunda,
Indonesia, dan Inggris.
3. Tidak semua kata dapat terbaca.
Hal ini dipengaruhi oleh jenis
font, pencahayaan, kemiringan,
kejelasan tulisan, warna tulisan,
warna latar belakang, dan ukuran
piksel.
Daftar Pustaka
Aisah,
Iis.
2011.
Meningkatkan
Penguasaan Kosakata Bahasa
Sunda Anak Taman Kanakkanak melalui Metode Bercerita
dengan Menggunakan Media
Gambar. Bandung : Universitas
Pendidikan Indonesia.
Bhaskar,
Sonia.
et
al.
2011.
Implementing
Optical
Character Recognition on the
Android Operating System for
Business Cards. USA : Stanford
University.
Smith, Ray. 2007. An Overview of the
Tesseract OCR Engine. ICDAR.
Pandya. 1995. Pattern Recognition With
Neural Network in C+ + . New
York : CRC Press.
MENGGUNAKAN CAPTURE CAMERA PADA SMARTPHONE ANDROID
Maulana Wahid Abdurrahman
mau.wahid@ieee.org
Teknik Informatika, UIN Syarif Hidayatullah Jakarta
Abstrak
Pemerintah Jawa Barat berusaha mengfungsikan bahasa Sunda secara
maksimal dengan menetapkan beberapa kebijakan sebagai bagian dari perencanaan
pengembangan bahasa Sunda. Dengan menggunakan kamera pada smartphone,
penulis berusaha mengembangkan aplikasi penerjemahan teks bahasa Sunda
menggunakan kamera agar memudahkan masyarakat mempelajari bahasa Sunda
secara interaktif. Pengembangan aplikasi ini library Tesseract sebagai engine OCR.
Hasil pengujian membuktikan bahwa aplikasi ini dapat digunakan dengan tingkat
keberhasilan 70 %.
Kata Kunci : Translator, Sunda, Indonesia, Inggris, Capture Camera, Tesseract,
Android
Pendahuluan
Bahasa sunda merupakan
salah satu bahasa daerah di Indonesia
yang memiliki jumlah penutur
terbesar kedua di Indonesia setelah
bahasa Jawa (65 Juta). Terdapat 23
juta penutur bahasa sunda yang
berada di seluruh Indonesia,
terutama yang mendiami Propinsi
Jawa Barat dan Banten. Tak heran
bila bahasa Sunda memiliki posisi
yang sangat penting dalam konteks
keindonesiaan (Kuswara, 2011:2).
Bahkan, bahasa Sunda diakui
UNESCO sebagai bahasa indung
Internasional (Ahmadheryawan.com,
20/09/2012).
Beberapa penelitian skripsi
dan tesis dari Universitas Pendidikan
Indonesia menunjukan perlunya
sebuah upaya dari berbagai kalangan
untuk
membantu
melestarikan
bahasa sunda. Sebagai contoh, Cindy
Nurwulan misalnya mengembangkan
Computer Assisted Instuction agar
dapat meningkatkan pelajar bahasa
sunda di kelas V (Nurwulan, 2011).
Selanjutnya, Eli Martini berusaha
mengembangkan model peningkatan
penguasaan kosakata bahasa Sunda
anak melalui penggunaan media
Flash Card (Martini, 2009). Iis
Aisyah berusaha meningkatkan
penguasaan kosakata bahasa Sunda
pada anak menggunakan melalui
metode
bercerita
dengan
menggunakan
media
gambar
(Aisyah,
2011).
Contoh-contoh
penelitian tersebut
menunjukan
bahwa
upaya
mengembangkan
kemampuan bahasa Sunda terus
dilakukan oleh kalangan akademik.
Beberapa diantara mereka seperti
(Martini, 2009) dan (Aisyah,2011)
merekomendasikan metode ataupun
teknologi baru untuk membantu
meningkatkan kemampuan kosakata
bahasa Sunda bagi para siswa.
Dengan
memanfaatkan
kamera
Smartphone,
penulis
mengembangkan Aplikasi Translator
Sunda
Indonesia
Inggris
menggunakan Capture Camera Pada
Smartphone Android.
Color Image
Landasan Teori
Otsu Thresholding
Optical Character Recognition
Optical
Character
Recognition
merupakan konversi elektronik ataupun
mekanik dari gambar yang berupa
tulisan tangan maupun teks menjadi teks
digital sehingga dapat digunakan secara
elektronik untuk berbagai keperluan.
Optical character recognition ini
merupakan bagian dari konsep pattern
recognition (Pandya, 1995).
Tesseract
Google Tesseract merupakan engine
optical character recognition yang
awalnya dikembangkan oleh Hewlet
Packard pada tahun 1985 hingga 1995.
Pada tahun 1995 Tesseract merupakan
salah satu yang terbaik pada test akurasi
engine UNVL. Saat ini Tesseract
dikembangkan
oleh
dan
dikembangkan sebagai proyek open
source. Dengan demikian, Tesseract
dapat dikembangkan dengan bebas oleh
siapapun. Tesseract dianggap sebagai
engine OCR open source terbaik saat ini
(Smith, 2007 :1).
Alur kerja tesseract ocr engine
tesebut sebagai berikut (Bhaskar, 2011 :
1):
Connected
Component
Labeling
Line Finding
Algorithm
Baseline Fitting
Algorithm
Fixed Pitch
Detection
Non Fixed Pitch
Spacing Delimiting
Adaptive Classifier
UTF 8 Text
1. Color Image
Color Image atau citra
warna merupakan citra digital
yang menyimpan nilai warna pada
setiap piksel. Setiap piksel pada
citra diisi oleh nilai bit yang
merupakan representasi dari nilai
warna. Informasi nilai warna pada
citra direpresentasikan dengan
array dua dimensi dalam bentuk
raster map atau bitmap (Putra,
2010 : 41).
2. Otsu Thresholding
Otsu
Thresholding
merupakan pengambangan citra
agar menjadi citra biner dengan
mengambil
nilai
ambang
(threshold) dari analisis terhadap
bagian lokal citra sehingga
masing-masing bagian dari citra
dapat memiliki nilai ambang yang
berbeda.
3. Connected Component Labelling
Connected
Component
Labelling adalah proses untuk
mendeteksi component-component
karakter yang saling terhubung.
Pada
proses
ini
Tesseract
melakukan pencarian sepanjang
citra kemudian mengidentifikasi
piksel latar depan, dan menandai
mereka sebagai blob atau karakter
potensial.
4. Line Finding Algorithm
Line Finding Algorithm
merupakan
algoritma
untuk
mencari baris pada teks. Pada
Tesseract, algoritma line finding
dirancang supaya halaman miring
dapat dikenali tanpa harus di
deskew (proses untuk mengubah
halaman yang miring menjadi
tegak lurus) sehingga tidak
menurunkan kualitas gambar.
Kunci bagian proses ini adalah
blob filtering dan line construction
(Smith, 2007 : 2).
5. Baseline Fitting Algorithm
Setelah baris teks telah
ditemukan,
garis
pangkal
(baseline) dicocokan secara lebih
tepat menggunakan quadratic
spline.
Quadratic
spline
merupakan
metode
untuk
menghasilkan titik pada sebuah
rentang data yang telah diketahui
sebelumnya. Quadratic spline
menggunakan polinomial dengan
degree rendah sehingga mampu
membentuk garis dengan halus
(Smith, 2007 : 2).
6. Fixed Pitch Detection
Tahap
selanjutnya
tesseract memperkirakan lebar
karakter yang dideteksi. Tahap ini
mendeteksi karakter yang memiliki
lebar tetap. Bila karakter berhasil
dideteksi, selanjutnya tesseract
melakukan
chopping
(pemotongan) karakter sehingga
karakter pada teks menjadi
terpotong-potong. Potongan ini
yang
selanjutnya
akan
diklasifikasikan (Smith, 2007 : 2).
Contoh gambar karakter yang telah
di potong.
Fixed Pitch Detection Pada Tesseract
7. Non Fixed Pitch Detection
Bila teks yang digunakan
tidak memiliki lebar garis tepi
tetap, Tesseract akan melakukan
algoritma non fixed pitch detection
dengan cara mengukur batasan
kesenjangan antara base line
dengan mean line (garis tengah).
Ruang pada citra yang mendekati
nilai
threshold
akan
dikalsifikasikan dengan fuzzy
sehingga akan ditentukan sebagai
bagian fitur yang akan dikenali
ataupun tidak (Smith, 2007 : 2).
Contoh gambar non fixed pitch :
Contoh Non Fixed Pitch
8. Adaptive Classifier
Selanjutnya
Tesseract
akan mengklasifikasi citra karakter
yang telah diolah pada proses
sebelumnya dengan menggunakan
algoritma klasifikasi (classifier)
adaptive classifier.
Alur Program
Rancangan Sistem yang
kembangkan sebagai berikut :
penulis
Teks Bahasa Daerah/
Indonesia/Inggris
Microsoft Translator
Pengambilan Teks Oleh Kamera/Ketik
Terjemah Ke Bahasa Indonesia/Inggris
Bila sumber bahasa Inggris/Indonesia
4. Bila bahasa asal atau bahasa tujuan
adalah bahasa daerah, maka teks
yang dihasilkan akan diterjemahkan
menggunakan web service aplikasi.
Web
service
aplikasi
sendiri
merupakan layanan web yang
meberikan layanan penerjemahan
teks bahasa daerah. Pada server web
tersebut, penulis mengembangkan
database kamus bahasa daerah.
Proses pengenalan pola yang dilakukan
oleh aplikasi ini sebagai berikut :
Gambar
Terjemah Ke Bahasa Daerah
Android Smartphone
Tangkap Gambar
CameraPreview.java
Web Service Aplikasi
Blok Diagram Sistem
Penjelasan blok diagram sistem sebagai
berikut :
1. Pengguna
aplikasi
melakukan
penangkapan gambar teks dengan
menggunakan
kamera
pada
smartphone Android.
2. Gambar yang ditangkap kemudian di
kenali oleh sistem yang selanjutnya
akan diterjemahkan dalam bentuk
teks unicode. Teks dalam bentuk
unicode
ini
kemudian
akan
ditampilkan
pada
layar
dan
selanjutnya diterjemahkan sesuai
bahasa yang dituju.
3. Bila bahasa asal merupakan bahasa
Inggris sedangkan bahasa tujuan
merupakan
bahasa
Indonesia,
maupun sebaliknya, maka aplikasi
akan menggunakan library Microsoft
Translator
untuk
mengakses
database Microsoft Translator yang
ada pada Server Microsoft untuk
menerjemahkan teks bahasa sumber
menuju
bahasa
tujuan
agar
didapatkan hasil terjemahan yang
diinginkan.
Simpan Gambar
Sd/iterator/test.jpg
Pengenalan Pola Tulisan
startOCR();
Panggil Tesseract OCR Engine
Penerjemahan
Terjemahan.terjemahkan();
Panggil Microsoft Translator/
Ambil JSON dari Iterator Web
Service
Tampilkan Hasil
Proses Pengenalan Dan Penerjemahan.
Pengujian
Hasil dari total
dilakukan ialah :
Jumlah
Gambar
71
Sukses
pengujian
Gagal
50 (70 21
%)
(30
yang
%)
Kesimpulan dari pengujian yang telah
dilakukan :
4. Penerjemahan dipengaruhi oleh
koneksi internet dan ketersediaan
data di database server.
Saran
1. Aplikasi ini dapat digunakan karena
memiliki tingkat keberhasilan hingga
70 %.
2. Kegagalan
pengenalan
pola
disebabkan karena :
a) Jenis Font
b) Pencahayaan
c) Ukuran Gambar Warna Font
3. Background
Font
Kegagalan
penerjemahan diakibatkan karena :
a) Kegagalan pengenalan pola tulisan
Sistem yang dibangun masih
memiliki beberapa kekurangan, oleh
karena itu perlu adanya pengembangan
agar sistem menjadi lebih baik.
1. Pengenalan pola bisa lebih
ditingkatkan kembali.
2. Perlu ditambahkan fitur
autofocus dan zoom.
3. Diharapkan
data
kamus
dikembangkan ke dalam
bahasa daerah lainnya, seperti
Jawa, Madura, Minang, dan
lain-lain.
b) Data yang belum tersedia
c) Akses koneksi internet yang tidak
memadai
Kesimpulan
Dari pembahasan yang sudah diuraikan,
dapat disimpulkan bahwa :
1. Aplikasi penerjemahan teks
bahasa Sunda menggunakan
kamera dapat digunakan dengan
tingkat keberhasilan hingga 70
%.
2. Aplikasi
ini
dapat
menerjemahkan teks ke dalam
tiga bahasa, yakni Sunda,
Indonesia, dan Inggris.
3. Tidak semua kata dapat terbaca.
Hal ini dipengaruhi oleh jenis
font, pencahayaan, kemiringan,
kejelasan tulisan, warna tulisan,
warna latar belakang, dan ukuran
piksel.
Daftar Pustaka
Aisah,
Iis.
2011.
Meningkatkan
Penguasaan Kosakata Bahasa
Sunda Anak Taman Kanakkanak melalui Metode Bercerita
dengan Menggunakan Media
Gambar. Bandung : Universitas
Pendidikan Indonesia.
Bhaskar,
Sonia.
et
al.
2011.
Implementing
Optical
Character Recognition on the
Android Operating System for
Business Cards. USA : Stanford
University.
Smith, Ray. 2007. An Overview of the
Tesseract OCR Engine. ICDAR.
Pandya. 1995. Pattern Recognition With
Neural Network in C+ + . New
York : CRC Press.