Sistem Pengenalan Aksara Bali Cetak dengan Pola Model Khusus Bberbasis Metode Pola Busur Terlokalisasi.
SISTEM PENGENALAN AKSARA BALI CETAK DENGAN POLA MODEL KHUSUS
BERBASIS METODE POLA BUSUR TERLOKALISASI
A.A. K. Oka Sudana1, Ni Kadek Ayu Wirdiani2 dan Gusti Agung Ayu Putri3
1
Jurusan Teknologi Informasi, Fakultas Teknik, Universitas Udayana, Denpasar, Indonesia
agungokas@unud.ac.id
2
Jurusan Teknik Informatika, STIKI Indonesia, Denpasar, Indonesia
ayu_wirdi@yahoo.com
3
Jurusan Teknologi Informasi, Fakultas Teknik, Universitas Udayana, Denpasar, Indonesia
dongdek@yahoo.com
Abstrak
Kekayaan budaya yang sangat beragam di Indonesia memiliki kelebihan tersendiri dalam hal tulisan dimana dikenal
berbagai macam tulisan daerah, dengan bentuk huruf yang beragam dan unik. Tulisan atau Aksara Bali memiliki
keunikan dari bentuknya yang hampir sama satu dengan yang lainnya dan beberapa tulisan hanya dibedakan oleh
satu guratan garis. Hal ini menjadi suatu permasalahan tersendiri dalam mengenali Tulisan Bali. Berdasarkan
permasalahan tersebut maka dibangun suatu sistem yang bertujuan untuk pengenalan Aksara Bali khususnya Aksara
Bali Cetak, sehingga mempermudah orang dalam membaca Aksara Bali.
Pembentukan pola model baru didasarkan pada batasan-batasan dalam Metode Pola Busur Terlokalisasi dengan
tujuan untuk mengurangi banyaknya pola model yang digunakan, sehingga waktu proses bisa dipersingkat. Batasan
utamanya yaitu lokalisasi permasalahan pada pola model yang didefinisikan di dalam sebuah bujur sangkar kecil
berukuran 5 x 5, pemilihannya berbasis pada sampel Aksara Bali Cetak yang dimiliki. Pola-pola yang dibentuk oleh
titik karakteristik tersebut menghasilkan 125 buah pola yang dikelompokkan menjadi 103 pola model awal. Sampel
data untuk membentuk pola model dalam penelitian ini sebanyak 600 buah citra Aksara Bali yang diambil dari
beberapa buku cetak dan internet. Pola model yang didapatkan dari proses tersebut sebanyak 23 buah. Tahapan yang
dilakukan dalam sistem ini: akuisisi data, pra-pemrosesan, ekstraksi ciri, pendaftaran, pembandingan, dan
pengambilan keputusan.
Unjuk kerja sistem diukur berdasarkan dua macam tipe kesalahan, yaitu : tingkat kesalahan penolakan (false
rejection rate) dan tingkat kesalahan penerimaan (false acceptance rate). Didapatkan prosentase kesalahan
minimum pada semua kombinasi konstanta pengali nilai ambang Cd 2,0; 3,0; 4,0; 5,0 dan konstanta pemotongan
nilai eigen q bernilai 3, dengan tingkat keberhasilan 92,7 %.
Kata kunci: nilai ketidaksamaan, pengenalan Aksara Bali cetak, Metode Pola Busur Terlokalisasi, pola model
khusus Aksara Bali, ekstraksi ciri.
1. Pendahuluan
Perkembangan teknologi di bidang informatika dan komputer sangatlah pesat. Sistem komputer
dikembangkan agar dapat melakukan proses pengenalan suatu pola sebagaimana kemampuan manusia.
Sistem pengenalan pola yang banyak dimanfaatkan saat ini seperti pengenalan sidik jari dan telapak
tangan yang berupa citra, pengenalan suara, sampai pengenalan tulisan. Salah satu dari pengenalan pola
yang umum yang dikenal orang adalah pengenalan tulisan. Tulisan memiliki sifat yang unik sehingga
menghasilkan sebuah permasalahan baru yang menarik untuk diteliti.
Kekayaan budaya yang sangat beragam di Indonesia memiliki kelebihan tersendiri dalam hal tulisan
dimana dikenal berbagai macam tulisan daerah. Tulisan di masing-masing daerah mempunyai bentuk
huruf yang beragam dan memiliki keunikan tersendiri. Pengenalan tulisan yang dijadikan objek dalam
penelitian ini adalah Tulisan Daerah Bali atau sering disebut dengan Aksara Bali. Tulisan Bali memiliki
keunikan dari bentuknya yang hampir sama satu dengan yang lainnya dan beberapa tulisan hanya
dibedakan oleh satu guratan garis[1]. Tulisan Bali juga memiliki sifat yang berbeda dengan tulisan Latin,
Jepang, Korea maupun Cina. Hal ini menjadi suatu permasalahan tersendiri dalam mengenali Tulisan
Bali[2]. Berdasarkan permasalahan tersebut maka dibangun suatu sistem yang bertujuan untuk
pengenalan Aksara Bali, sehingga mempermudah orang dalam membaca Aksara Bali. Pengembangan
sistem ini diharapkan memberikan metode alternatif untuk pengenalan citra Aksara Bali terkomputerisasi
sehingga dapat menarik minat generasi muda untuk mempelajari Aksara Bali yang merupakan salah satu
dasar Budaya Bali yang muara akhirnya bisa memberikan kontribusi dalam pelestarian budaya bangsa
melalui pelestarian budaya daerah.
Ekstraksi ciri menggunakan pola khusus berbasis pada metode Pola Busur Terlokalisasi, yang
disesuaikan dengan model Aksara Bali dengan alasan karena metode ini mengambil karakteristik Aksara
Bali sehingga diharapkan dapat memberikan hasil pengenalan yang lebih baik. metode ini sudah terbukti
cukup berhasil dalam hal verifikasi citra tandatangan dan pengenalan tulisan tangan Latin, Jepang, Korea
maupun Cina. Tingkat keakuratan dalam hal Pengenalan Karakter Aksara Bali dilakukan dengan cara
menghitung persentase keberhasilan, kesalahan rata-rata sistem serta kompleksitas waktu.
2. Metodelogi Penelitian
2.1. Aksara Bali
Ejaan Bahasa Bali dengan Huruf Latin disesuaikan dengan ejaan dalam Bahasa Indonesia, yang mana
ejaan tersebut dibuat sesederhana mungkin dan sifatnya fonetik, yaitu tepat atau mendekati ucapan
sebenarnya. Huruf-huruf dasar yang dipakai untuk menuliskan Bahasa Bali dengan Huruf Latin dibagi 2
yaitu: Aksara Suara (vokal) dan Aksara Wianjana (konsonan) seperti terlihat pada Tabel 1 dan 2[3].
Tabel 1. Daftar Aksara Suara (Vokal)
Nomor
Aksara Bali
Bali Latin
a
ê
i
U
e
o
Tabel 2. Daftar Aksara Wianjana (Konsonan)
Nomer Aksara Bali
Bali Latin
Nomer Aksara Bali Bali Latin
h/a
l
n
M
c
G
r
B
k
Ng
d
P
t
J
s
Y
w
Ny
2.2. Gambaran Umum Sistem
System
Developer
Model pattern
development
Image Input:
Balinese
character
Image Input:
Balinese
Database of
Model pattern
Character
Enrolment
Comparison with All
Record in Reference
Database
Output: smallest
dissimilarity
value and ID
Aksara
Reference
Database
Decision Making
Searching the smallest
dissimilarity value
Threshold and
Critical Value
Gambar 1. Pemodelan Sistem Pengenalan Aksara Bali Cetak
Recognition
Result Report
2.3. Data
Sumber data yang dipakai sebagai sampel Aksara Bali yang digunakan untuk melakukan
pembentukan pola model dan pengujian sistem pengenalan karakter ini adalah data citra Aksara Bali
dalam penelitian I Komang Gede Suamba Dharmayasa[4]. Sampel Aksara Bali yang digunakan diperoleh
dari hasil scan buku ajar Bahasa Bali yang diambil menggunakan segmentasi per blok karakter dan juga
dari internet.
2.4. Pembentukan dan Pemilihan Pola Model
Pembentukan pola model baru yang didasarkan pada batasan-batasan dalam Metode Pola Busur
Terlokalisasi[5,6] untuk Tulisan Jepang dan Tandatangan Latin dengan tujuan untuk mengurangi
banyaknya pola model yang digunakan, sehingga waktu proses sistem bisa dipersingkat. Batasan
utamanya yaitu lokalisasi permasalahan pada pola model yang didefinisikan di dalam sebuah
bujur sangkar kecil berukuran 5 x 5, tetapi pemilihannya berbasis pada sampel Aksara Bali yang dimiliki.
Pola-pola yang dibentuk oleh titik karakteristik dalam bujur sangkar 5 x 5 menghasilkan 125 buah
kemungkinan pola awal dan bisa dikelompokkan menjadi 103 pola model awal[7]. Pengurangan waktu
proses dilakukan dengan pemilihan pola dari 125 pola tersebut yang memang sering muncul pada Aksara
Bali. Pemilihan pola-pola itu dilakukan dengan menggunakan bantuan program untuk menghitung
keseringan muncul masing-masing pola tersebut pada sejumlah citra biner Aksara Bali. Sampel data yang
dipergunakan untuk membentuk pola model dalam penelitian sebanyak 600 buah citra Aksara Bali yang
diambil dari beberapa buku cetak dan internet. Pola model yang didapatkan dari hasil proses pemilihan
pola tersebut sebanyak 23 buah pola seperti terlihat pada Gambar 2.
Gambar 2. Pola Model dari Karakter Aksara Bali berbasis pada Metode Pola Busur Terlokalisasi
2.5. Tahapan Pengenalan Karakter Aksara Bali
Secara umum dalam pengolahan citra, untuk mendapatkan informasi yang terkandung di dalamnya maka
biasanya dilakukan proses-proses pendahulu pada citra tersebut. Setelah itu baru dilakukan proses-proses
berikutnya yang berkenaan dengan informasi apa yang diinginkan untuk diolah, demikian juga halnya
pada pengenalan Tulisan Bali. Adapun tahapan-tahapan yang dilakukan dalam sistem Pengenalan
Karakter Aksara Bali[8], khususnya Metode Pola Busur Terlokalisasi adalah sebagai berikut:
i. Data acquisition, merupakan proses pengubahan data dari data analog Aksara Bali, menjadi citra
dengan scanner. Citra yang disimpan dalam format file bitmap berupa data kasar dan selanjutnya akan
diproses pada tahapan selanjutnya.
ii. Preprocessing, jika file bitmap yang dihasilkan pada tahap pengambilan data belum berbentuk dua
warna (hitam putih) maka terlebih dahulu dilakukan konversi menjadi data citra dua warna (proses
binerisasi), karena citra Aksara Bali yang nantinya diperlukan berupa citra biner. Setelah itu dilakukan
eliminasi terhadap data yang tidak diperlukan, guna memastikan bahwa data yang akan diproses pada
tahapan berikutnya sudah merupakan data yang sahih.
iii. Feature extraction, setelah data tersebut diolah menjadi data jadi pada tahap pra proses, kemudian
dilakukan ekstraksi ciri dari citra biner Aksara Bali. Ciri-ciri yang diekstraksi menggunakan pola
model khusus untuk Aksara Bali dari Metode Pola Busur Terlokalisasi seperti terlihat pada Gambar 2.
Aksara Bali yang telah berbentuk citra biner akan langsung diproses untuk mendapatkan frekuensi
kemunculan masing-masing pola. Pola yang memiliki nomor model yang sama tetapi dengan nomor
urut berbeda, frekuensi kemunculannya dijumlahkan untuk mendapatkan frekuensi kemunculan dari
pola model tersebut. Cara penghitungannya adalah dengan menggerakkan setiap pola model di atas
pola biner citra Aksara Bali, sebagai patokan adalah titik yang berbentuk lingkaran penuh. Titik ini
digeser secara teratur satu grid ke arah horisontal atau vertikal, sampai semua titik pada citra biner
Aksara Bali terlewati. Setiap pergeseran dilakukan pembandingan terhadap ruang yang dilingkupi oleh
model tersebut, apakah sama ataukah tidak. Jika sama maka frekuensi kemunculan pola model tersebut
ditambahkan. Misalkan citra Aksara Bali dilambangkan dengan f dan terdapat 23 pola model maka
citra Aksara Bali tersebut dapat diekspresikan sebagai vektor kolom x berdimensi p, dengan p adalah
23 yaitu sesuai dengan pola model yang ada. Berbentuk matriks dapat dituliskan sebagai berikut :
⎡ x1 ⎤
⎢ x2 ⎥
x=⎢ ⎥
⎢M⎥
⎢ ⎥
⎣ x 23⎦
(1)
Elemen-elemen x yaitu x1, x2,… x23 adalah frekuensi kemunculan dari masing-masing pola model
sesuai dengan nomor modelnya.
iv. Enrollment, Tahapan pendaftaran Aksara Bali acuan dilakukan dengan mengekstraksi ciri dari
beberapa Aksara Bali acuan dan hasil yang diperoleh disimpan pada sebuah file basisdata acuan.
Misalkan masing-masing Aksara Bali ke i disebut dengan Pi digunakan sebagai Aksara Bali acuan
sebanyak m, maka dari m buah Aksara Bali ini diekstraksi ciri menggunakan Metode Pola Busur
Terlokalisasi menghasilkan m buah vektor kolom x berdimensi p, hasil ini dijadikan satu matriks
vektor berukuran p x m dengan bentuk sebagai berikut :
⎡ x11 x12 L x1m ⎤
⎢ x 21 x 22 L x 2 m ⎥
⎥
Pi = ⎢
⎢M
M
M ⎥
⎥
⎢
⎣ xp1 xp 2 L xpm ⎦
(2)
Nilai m yang digunakan pada sistem ini adalah 3 Aksara Bali yang diambil dari beberapa buku cetak,
dengan pertimbangan bahwa 3 Aksara Bali tersebut diharapkan mampu untuk mewakili variasi yang
ada dari sebuah karakter Aksara Bali, di samping itu sistem nantinya bekerja dengan tidak terlalu
lambat. Jadi ukuran matriks vektor acuan pada sistem pengenalan ini adalah 23 x 3 untuk 23
pola model. Matriks vektor yang didapatkan disimpan pada basisdata acuan dengan kata kunci nomor
identitas Aksara Bali.
v. Comparison, Tahap Pembandingan merupakan inti dari keseluruhan proses pengenalan. Pada tahap
pembandingan ini, ciri citra Aksara Bali masukan akan dibandingkan dengan ciri acuan yang ada pada
basis data. Pada tahap inilah dilakukan perhitungan-perhitungan dari frekuensi yang didapat pada
proses ekstraksi ciri. Berdasarkan proses pembandingan tersebut didapatkan nilai ketidaksamaan
(dissimilarity measure) masing-masing acuan dengan citra input. Nilai ketidaksamaan atau nilai beda
inilah yang digunakan sebagai dasar untuk pengambilan keputusan hasil pengenalan. Basisdata acuan
dibaca satu record data acuan karakter. Acuan yang berbentuk matriks p x m ini selanjutnya dihitung
rata-rata kemunculan setiap pola model dengan cara :
xi =
m
∑
x ik
k =1
(3)
m
Nilai-nilai yang dihasilkan yaitu x1/, x2/, … xp/, ditempatkan sebagai elemen vektor kolom x/
berdimensi p, yang merupakan rata-rata acuan. Lalu dicari matriks varians V berdimensi p x p dari
acuan dengan persamaan:
V =
m
∑ (x
j
− x
/
)( x j
− x
/
)t
(4)
/m
j=1
Mencari frekuensi kemunculan pola model pada citra karakter yang dibandingkan sama halnya
dengan mencari frekuensi pola model acuan. Misalkan Aksara Bali yang dibandingkan disebut Q
maka vektor kolom hasilnya adalah xq. Varians V, rata-rata acuan x/ dan vektor kolom xq, digunakan
menghitung nilai beda[6] dengan persamaan sebagai berikut:
D ( Pi , Q ) =
q
∑
k =1
( Z Qk − Z /k ) 2
λk
p
+
∑
k = q +1
ZQk = lkt xQ
Z /k = l kt x /
( Z Qk − Z /k ) 2
λ
(5)
q
(6)
(7)
dengan ketentuan :
¾
¾
¾
¾
¾
¾
¾
¾
D(Pi,Q) : nilai ketidaksamaan antara acuan Pi dengan pembanding Q.
λ
: vektor kolom yang berisi nilai eigen dengan urutan menurun (descending order)
yaitu (λ1, λ2, λ3, …, λp)
lk
: vektor eigen yang berbentuk vektor kolom terurut sesuai dengan nilai eigen yang
berhubungan.
xQ
: vektor kolom yang berisi frekuensi munculnya pola model pada citra karakter
pembanding.
x/
: vektor kolom rata-rata acuan.
t
: transpose.
p
: dimensi vektor kolom
q
: suatu integer dengan syarat 1≤q ≤ p. Konstanta q merupakan nomor pemotongan
dari nilai eigen.
vi. Reference database design, Perancangan basisdata acuan merupakan proses pembentukan file
basisdata yang akan dijadikan acuan pada saat proses pengenalan. Sistem pengenalan ini
menggunakan 6 buah sampel Aksara Bali untuk masing-masing karakter, dengan perincian: 3 untuk
acuan serta 3 sisanya sebagai pembanding untuk menentukan nilai ambang. Tahap perancangan
basisdata acuan terdiri dari dua pokok penting yaitu pendaftaran Aksara Bali acuan dan penentuan
nilai ambang batas yang akan disimpan dalam satu record dengan kata kunci nomor identitas. Setelah
dilakukan proses pendaftaran tersebut dilanjutkan dengan membandingkan Aksara Bali yang akan
dipergunakan untuk menentukan nilai ambang. Berdasarkan hasil pembandingan tiga Aksara Bali ini
didapatkan nilai ketidaksamaannya masing-masing. Median dari nilai ketidaksamaan inilah yang
disimpan pada basisdata acuan melengkapi frekuensi sampel sebelumnya, dan dipergunakan sebagai
nilai ambang (threshold) atau nilai kritis (Cc) yang dikalikan dengan suatu konstanta Cd.
vii. Decision making, Nilai-nilai ketidaksamaan yang didapatkan pada proses sebelumnya diurutkan.
Identitas acuan dengan nilai ketidaksamaan terkecil dan memenuhi nilai ambang (thereshold)
diputuskan sebagai jenis karakter Aksara Bali yang sesuai dengan citra Aksara Bali yang diinputkan.
Jika nilai ketidaksamaan terkecil yang didapatkan masih diatas nilai ambang batas, maka disimpulkan
karakter Aksara Bali masukan tersebut tidak dikenali. Apabila d(Pj, Qi) didefinisikan sebagai nilai
ketidaksamaan antara Aksara Bali acuan yang dimiliki oleh sebuah karakter Aksara Bali Pj dengan
Aksara Bali yang diuji Qi, Ccj adalah nilai kritis yang telah didapat sebelumnya dari sebuah karakter
Aksara Bali Pj serta Cd adalah konstanta pengali, maka berlaku hubungan:
Jika d(Pj, Qi) ≤ Ccj x Cd maka keputusannya ‘DIKENALI’
Selain itu keputusannya ‘TIDAK TERDAFTAR’.
3. Pengujian dan Analisa Hasil
Pengujian terhadap karakter Aksara Bali Cetak dilakukan dengan mengatur variasi konstanta
pengali nilai ambang (Cd) yaitu 2, 3, 4 dan 5, dengan hasil yang diperoleh adalah banyaknya kesalahan
yang terjadi pada masing-masing konstanta tersebut. Total kesalahan pada masing-masing variasi
lingkungan sistem diperlihatkan pada Tabel 3 yang digunakan untuk mempermudah melakukan analisis.
Tabel 3 Banyaknya kesalahan yang terjadi pada pengujian sistem pengenalan
Cd = 2,0
POLA MODEL
Q
Aksara Bali
(p=23)
1
2
3
1
2
3
Tandatangan
Indonesia
(p=42)
Cd = 3,0
diken
al
Tidak
terdaf
tar
Dkenal
aksara
lain
225
193
238
227
192
227
7
3
5
7
5
12
15
51
4
13
50
8
Cd = 4,0
diken
al
Tidak
terdaf
tar
Dkenal
aksara
lain
226
193
238
227
192
228
4
1
3
6
3
10
17
53
6
14
52
9
Cd = 5,0
diken
al
Tidak
terdaf
tar
Dkenal
aksara
lain
diken
al
Tidak
terdaf
tar
Dkenal
aksara
lain
226
193
238
228
192
228
4
0
1
3
1
5
17
54
8
16
54
14
226
193
238
228
192
228
3
0
0
3
1
5
18
54
9
16
54
14
Tabel 4 Prosentase kesalahan Tipe I dan Tipe II pada pengujian sistem pengenalan
POLA MODEL
Aksara Bali
(p=23)
Tandatangan
Indonesia
(p=42)
q
Cd = 2,0
Cd = 3,0
Cd = 4,0
Cd = 5,0
Tipe I
(%)
Tipe II (%)
Tipe I
(%)
Tipe II (%)
Tipe I
(%)
Tipe II (%)
Tipe I (%)
Tipe II (%)
1
2
3
1
2
2,8
1,2
2,0
2,8
2
6,1
20,6
1,6
5,3
20,2
1,6
0,4
1,2
2,4
1,2
6,9
21,4
2,4
5,7
21
1,6
0
0,4
1,2
0,4
6,9
21,8
3,2
6,5
21,8
1,2
0
0
1,2
0,4
7,3
21,8
3,6
6,5
21,8
3
4,9
3,2
4,0
3,7
2
5,7
2
5,7
Tabel 5 Prosentase keberhasilan pada pengujian sistem pengenalan
POLA MODEL
Aksara Bali
(p=23)
Tandatangan
Indonesia
(p=42)
Cd = 2,0
Cd = 3,0
Cd = 4,0
Cd = 5,0
1
2
3
1
2
(%)
91,1
78,2
92,7
91,9
77,8
(%)
91,5
78,2
92,7
91,9
77,8
(%)
91,5
78,2
92,7
92,3
77,8
(%)
91,5
78,2
92,7
92,3
77,8
3
91,9
92,3
92,3
92,3
q
Gambar 3. Grafik Prosentase Unjuk Kerja Sistem (Keberhasilan)
Gambar 4. Grafik Waktu Proses Pengenalan
6. Kesimpulan
• Ekstraksi ciri karakter dilakukan dengan pola khusus yang dibentuk berdasarkan Metode Pola Busur
Terlokalisasi. Pemilihan model dilakukan dari implementasi pola yang didapatkan pada basisdata
citra Aksara Bali, berdasarkan akumulasi frekuensi kemunculan masing-masing pola model. Dilihat
dari prosentase kesalahan serta waktu proses, metode ini terbukti cukup efektif dan menghasilkan
unjuk kerja yang lebih baik untuk pengenalan Aksara Bali, dibandingkan dengan memakai pola
model Tandatangan Indonesia.
•
Unjuk kerja sistem diukur berdasarkan dua macam tipe kesalahan, yaitu: kesalahan penolakan (false
rejection rate) dan kesalahan penerimaan (false acceptance rate). Sistem yang dikembangkan
mempunyai prosentase kesalahan minimum pada semua kombinasi konstanta pengali nilai ambang
Cd 2,0; 3,0; 4,0; 5,0 dan konstanta pemotongan nilai eigen q bernilai 3, dengan rata-rata kesalahan
sistem adalah 7,3 % sehingga tingkat keberhasilannya sebesar 92,7%.
Ucapan Terima Kasih
Banyak bantuan yang diterima dalam pelaksanaan penelitian, pengumpulan sample data dan penulisan
laporan penelitian ini, untuk itu secara khusus mengucapkan terima kasih kepada Lembaga Penelitian
dan Pengabdian kepada Masyarakat (LPPM) Universitas Udayana yang telah memberikan bantuan
dengan menyediakan pembiayaan penelitian ini serta segenap Civitas Jurusan Teknologi Informasi,
Fakultas Teknik, Universitas Udayana.
Daftar Pustaka
[1] Agung BW, Tjokorda; I Gede Rudy Hermanto; Retno Novi D. Pengenalan Huruf Bali dengan
Menggunakan metode Modified Direction Feature (MDF) dan Learning Vector Quantization
(LVQ).
yudiagusta.files.wordpress.com/.../007-012-knsi09-002-pengenalan-huruf-balimenggunakan-metode-modified-direction-feature-_mdf. Konferensi Nasional Sistem dan
Informatika 2009. Institut Teknologi Telkom, Bandung, 2009 .
[2] Oka Sudana, AA. K. Rancang Bangun Sistem Verifikasi Tandatangan dan Pengenalan Tulisan
Tangan dengan Metode Pola Busur Terlokalisasi. Proceeding of the Research and Studies III.
TPSDP – DIKTI 2006.
[3] Suastika I Made, Prof. Dr. S.U.. Bahasa dan Aksara Sebagai Identitas Budaya.
www.facebook.com/note.php?note_id=295184229610, 2010.
[4] Suamba Dharmayasa, I Komang Gede.. Pengenalan Karakter Bali Cetak Menggunakan Metode
Moment dan Jaringan Syaraf Tiruan Learning Vector Quantization, Skripsi Jurusan Teknik Elektro,
Universitas Udayana, Jimbaran, 2009.
[5] Yoshimura, I., Shimizu, T. dan Yoshimura, M.. A Zip Code Recognition System using the
Localized Arc Pattern Method. Proceedings of the 2nd International Conference on Document
Analysis and Recognition. IEEE Computer Society. p183-186, 1993.
[6] Yoshimura, M. dan Yoshimura, I., “Writer Identification Based on the Arc Pattern
Transformation”, Proceedings of the 9th International Conference on Pattern Recognition,
November 14-17,pp. 55-64 , IEEE Computer Society, Washington, 1994.
[7] Oka Sudana, AA.K. Implementasi Pola Model Tandatangan Jepang dan Tandatangan Indonesia
untuk Verifikasi Tandatangan Latin. Jurnal Pakar, Vol.7, No 4, Yogyakarta, 2007.
[8] Wirdiani, Ni Kadek Ayu, “Pembentukan Pola Khusus untuk Ekstraksi Ciri pada Sistem Pengenalan
Aksara Bali Cetak”, Thesis, PS. Magister Teknik Elektro, Universitas Udayana, 2011.
SEMINAR RESEARCH EXCELLENT UNUD 2013
LEMBAGA PENELITIAN DAN PENGABDIAN KEPADA MASYARAKAT
UNIVERSITAS UDAYANA
Kampus Universitas Udayana Jalan PB. Sudirman, Selasa 22 Januari 2013
PROGRAM SEMINAR
Regristrasi dan Pembukaan (Ruang Theatre Fakultas Kedokteran UNUD)
08.30 ‐ 09.00 Registrasi
Panitia
09.00 ‐ 09.10 Pembukaan
MC
Sambutan Ketua Panitia Pelaksana Seminar
Ketua Panitia
09.10 ‐ 09.40 Sambutan Ketua LPPM‐Unud
Ketua LPPM
Sambutan Pembukaan Seminar
Sesi Pleno
Rektor Unud
Pembicara kunci
Moderator
Prof. Dr. drh. I Made
Damriyasa, MS.
Panitia
09.40 – 10.20 Prof. Dr. dr. Ketut Suastika, Sp.PD‐KE
10.20 – 11.00 Bappeda Provinsi Bali
11.00 ‐11.15 Coffee break
Kesehatan, Obat dan
Makanan (Ruang I)
Sesi Paralel
MIPA, Teknik, Pariwisata
dan Lingkungan
(Ruang III)
Pertanian, Tek Pertanian,
Peternakan (Ruang II)
Sastra, Hukum,
Ekonomi & Humaniora
(Ruang IV)
11.15 ‐ 11.32
11.32 ‐ 11.49
11.49 – 12.06
12.23 ‐ 12.40
12.06 ‐ 12.23
12.40 – 13.10 Istirahat Makan Siang
Moderator:
R‐I:
Dr. Ir. Ni Made Wartini, MP.
R‐II:
Dr. Ir. Ida Ayu Astarini, M.Sc.
R‐III:
Prof. Dr. I Ketut Junitha, MS.
R‐IV:
Dr. I M. Sadha Suardikha SE., M.Si
Panitia
Pertanian, Tek Pertanian,
Peternakan (Ruang II)
MIPA, Teknik, Pariwisata
dan Lingkungan
(Ruang III)
13.10 – 13.27
13.27 – 13.44
13.44 – 14.01
Kesehatan, Obat dan
Makanan (Ruang I)
Sesi Paralel
14.01 – 14.18
14.18 – 14.35
Sastra, Hukum,
Ekonomi & Humaniora
(Ruang IV)
Moderator
R‐I:
Dr. Ir.I Nengah Sujaya, M.Agr.Sc
R‐II:
Prof. Dr. Ir. I Nyoman Rai, MS.
R‐III:
Gusti A. Suartika, ST,MEng.PhD
R‐IV
Dr. Ni Nyoman Kerti Yasa SE.,
MS.
Panitia
14.35 – 14.50 Coffee break
Pertanian, Tek Pertanian,
Peternakan (Ruang II)
MIPA, Teknik, Pariwisata
dan Lingkungan
(Ruang III)
14.50 – 15.07
15.07 – 15.24
15.24 – 15.41
15.41 – 15.58
15.58 – 16.15
Kesehatan, Obat dan
Makanan (Ruang I)
Sesi Paralel
16.15– 16.30
Penutupan
Keterangan:
R‐I
: Ruang Theatre FK;
R‐II : Ruang Sidang FKH,
R‐III
: Ruang Kuliah FKH;
R‐IV : Ruang GDLN
Waktu presentasi (sesi paralel) masing‐masing penyaji : 17 menit termasuk diskusi.
Sastra, Hukum,
Ekonomi & Humaniora
(Ruang IV)
Moderator
R‐I:
Drh. I Wayan Bebas, M.Kes
R‐II:
Dr. Ir. Yenni Ciawi
R‐III:
Dr. Ir. I Wayan Surata, M.Erg.
R‐IV:
Dr. Ni K. Supasti Dharmawan,
SH. M.Hum.,LLM.
Ditutup oleh masing‐masing
moderator
Sistem Pengenalan Aksara Bali Cetak dengan Pola Model Khusus
berbasis Metode Pola Busur Terlokalisasi
oleh
A.A.K. Oka Sudana
Gusti Agung Ayu Putri
Ni Kadek Ayu Wirdiani
JURUSAN TEKNOLOGI INFORMASI
FAKULTAS TEKNIK, UNIVERSITAS UDAYANA
OVERVIEW
Writing in each region has a variety of typefaces and has its own
uniqueness.
Aksara Bali Æ has a unique writing of a similar shape to one
another and some writings are distinguished only by a single line
sketch.
To be easier reading Balinese writing.
Expected to provide an alternative method for the recognition of a
computerized image of Balinese writing simbol.
New model of pattern formation is based on the constraints in the
Localized Arc Pattern Method for Japanese writing and Latin
signature in order to reduce the number of pattern models used.
Aksara Suara (VoKal)
SAMPEL AKSARA BALI
SAMPLE OF AKSARA BALI
Aksara Wianjana (Konsonan)
System of Recognition Modelling
System Developer
Model pattern
development
Image Input:
Balinese
character
Image Input:
Balinese
character
Database of
Model pattern
Character
Enrolment
Comparison with All Record
in Reference Database
Output:
smallest
dissimilarity value
and ID Aksara
Reference
Database
Decision Making
Searching the smallest
dissimilarity value
Threshold and
Critical Value
Recognition
Result Report
RESULT AND DISCUSION
Models Pattern Development Æ The patterns is formed
by the characteristic point in a square 5 x 5 produces
125 pieces of possible initial patterns that can be
grouped into an 103 patterns early models. Reduction
of processing time is done by selection of 125 patterns
(show in Figure 2) that are frequently come up in
Aksara Bali.
Models Pattern Selection Æ using computer program
to calculate the frequency of each pattern appeared on
a number of binary image of the Balinese character.
Localized Arch Pattern
Characteristic Point
End Point
B
l=3
B
l=2
l=0
Distance
l= -1
l=1
l= -2
l= -3
A
End Point
point
End
A
Radius OA
=2AB / l
O
All pattern possibility from Localized Arch Pattern with matrix 5x5
No.1 Model 1
No.2 Model 2
No.3 Model 3
No.4 Model 4
No.5 Model 5
No.6 Model 6
No.7 Model 7
No.64 Model 61
No.65 Model 61
z
No.8 Model 8
z
z
No.9 Model 9
No.10 Model 10
z
No.11 Model 11
No.12 Model 12
No.13 Model 13
No.14 Model 14
z
z
z
z
No.68 Model 64
z
z
No.73 Model 66
No.74 Model 66
No.75 Model 67
No.70 Model 64
z
No.71 Model 65
No.69 Model 64
No.67 Model 63
No.66 Model 62
No.72 Model 66
z
z
No.76 Model 68
z
z
No.16 Model 16
No.17 Model 17
z
z
z
z
No.18 Model 18
No.19 Model 19
No.20 Model 20
No.21 Model 21
z
No.79 Model 70
No.81 Model 71
No.82 Model 72
z
No.22 Model 22
No.23 Model 23
z
z
z
No.24 Model 24
No.25 Model 25
No.26 Model 26
z
No.27 Model 27
No.28 Model 28
No.85 Model 74
No.86 Model 75
No.87 Model 76
No.88 Model 76
z
z
z
No.30 Model 30
No.31 Model 31
No.32 Model 32
No.33 Model 33
z
z
No.89 Model 77
No.90 Model 78
No.91 Model 78
z
No.98 Model 84
z
z
z
z
z
z
z
z
No.34 Model 34
No.35 Model 35
No.92 Model 79
No.93 Model 80
No.94 Model 81
No.95 Model 81
No.96 Model 82
No.97 Model 83
z
z
z
z
z
z
No.99 Model 85
No.100 Model 86
z
z
No.29 Model 29
No.84 Model 74
z
z
No.83 Model 73
z
z
z
z
z
z
z
No.80 Model 71
z
z
z
z
z
No.78 Model 69
z
No.15 Model 15
z
No.77 Model 69
z
z
z
z
z
No.36 Model 36
No.37 Model 37
No.38 Model 38
No.39 Model 39
z
No.40 Model 40
z
z
No.41 Model 41
No.42 Model 42
z
z
z
z
z
z
No.43 Model 43
No.44 Model 44
No.45 Model 45
No.46 Model 46
No.47 Model 47
No.48 Model 48
No.49 Model 49
z
z
z
z
No.50 Model 50
No.51 Model 51
No.52 Model 52
z
z
z
No.53 Model 53
No.54 Model 54
z
z
No.55 Model 55
z
z
z
z
No.59 Model 59
No.60 Model 59
No.61 Model 59
No.62 Model 60
z
z
z
No.63 Model 61
z
z
z
No.104 Model 90
z
No.105 Model 91
z
No.108 Model 92
No.109 Model 93
z
z
No.110 Model 94
No.111 Model 94
z
z
No.112 Model 94
z
z
z
z
No.113 Model 95
No.114 Model 96
No.115 Model 97
No.116 Model 98
No.117 Model 98
No.118 Model 98
No.119 Model 99
z
No.121 Model
101
z
z
z
No.122 Model
101
No.123 Model
101
z
z
z
z
No.124 Model
102
z
No.125 Model
103
z
z
z
No.120 Model
100
z
z
z
No.58 Model 58
No.103 Model 89
No.57 Model 57
z
No.56 Model 56
No.102 Model 88
z
No.107 Model 92
No.106 Model 92
No.101 Model 87
z
z
Frequency of 23 selected pattern appeared from 600 binary image of Aksara
No
Model
Freq
No
Model
Freq
1
58
58154
13
82
126
2
1
36365
14
14
68
3
63
17262
15
12
49
4
46
11319
16
86
32
5
49
8896
17
19
30
6
4
743
18
10
23
7
83
539
19
26
19
8
2
489
20
90
15
9
6
244
21
31
15
10
5
226
22
13
14
11
3
223
23
47
10
12
8
171
Reorder (shorting) and Rename
No
Model
Freq
No
Model
Freq
1
1
36365
13
26
19
2
2
489
14
31
15
3
3
223
15
46
11319
4
4
743
16
47
10
5
5
226
17
49
8896
6
6
244
18
58
58154
7
8
171
19
63
17262
8
10
23
20
82
126
9
12
49
21
83
539
10
13
14
22
86
32
11
14
68
23
90
15
12
19
30
The 23 Selected Special Model Pattern of Balinese Character
Base on Localized Arc Pattern Method
Banyaknya kesalahan yang terjadi pada pengujian sistem
pengenalan
Cd = 2,0
POLA MODEL
Tandatan
gan
Indonesia
(p=42)
Cd = 4,0
Cd = 5,0
Q
dikenal
Aksara
Bali
(p=23)
Cd = 3,0
Tidak
terdafta
r
Dkenal
aksara
lain
dikenal
Tidak
terdafta
r
Dkenal
aksara
lain
dikenal
Tidak
terdafta
r
Dkenal
aksara
lain
dikenal
Tidak
terdafta
r
Dkenal
aksara
lain
1
225
7
15
226
4
17
226
4
17
226
3
18
2
193
3
51
193
1
53
193
0
54
193
0
54
3
238
5
4
238
3
6
238
1
8
238
0
9
1
227
7
13
227
6
14
228
3
16
228
3
16
2
192
5
50
192
3
52
192
1
54
192
1
54
3
227
12
8
228
10
9
228
5
14
228
5
14
Prosentase keberhasilan pada pengujian sistem pengenalan
POLA
MODEL
q
Cd = 2,0
(%)
Cd = 3,0
(%)
Cd = 4,0
(%)
Cd = 5,0
(%)
Aksara Bali
(p=23)
1
91,1
91,5
91,5
91,5
2
78,2
78,2
78,2
78,2
3
92,7
92,7
92,7
92,7
1
91,9
91,9
92,3
92,3
2
77,8
77,8
77,8
77,8
3
91,9
92,3
92,3
92,3
Tandatangan
Indonesia
(p=42)
Grafik Prosentase Unjuk Kerja Sistem (Keberhasilan)
Grafik Waktu Proses Pengenalan
Conclusion
Ekstraksi ciri karakter dilakukan dengan pola khusus yang dibentuk
berdasarkan Metode Pola Busur Terlokalisasi. Pemilihan model dilakukan
dari implementasi pola yang didapatkan pada basisdata citra Aksara Bali,
berdasarkan akumulasi frekuensi kemunculan masing-masing pola model.
Dilihat dari prosentase kesalahan serta waktu proses, metode ini terbukti
cukup efektif dan menghasilkan unjuk kerja yang lebih baik untuk
pengenalan Aksara Bali, dibandingkan dengan memakai pola model
Tandatangan Indonesia.
Unjuk kerja sistem diukur berdasarkan dua macam tipe kesalahan, yaitu:
kesalahan penolakan (false rejection rate) dan kesalahan penerimaan
(false acceptance rate). Sistem yang dikembangkan mempunyai
prosentase kesalahan minimum pada semua kombinasi konstanta pengali
nilai ambang Cd 2,0; 3,0; 4,0; 5,0 dan konstanta pemotongan nilai eigen q
bernilai 3, dengan rata-rata kesalahan sistem adalah 7,3 % sehingga
tingkat keberhasilannya sebesar 92,7%.
Sistem Pengenalan Aksara Bali Cetak dengan Pola Model Khusus
berbasis Metode Pola Busur Terlokalisasi
By
A.A.K. Oka Sudana
Gusti Agung Ayu Putri
Ni Kadek Ayu Wirdiani
JURUSAN TEKNOLOGI INFORMASI
FAKULTAS TEKNIK, UNIVERSITAS UDAYANA
BERBASIS METODE POLA BUSUR TERLOKALISASI
A.A. K. Oka Sudana1, Ni Kadek Ayu Wirdiani2 dan Gusti Agung Ayu Putri3
1
Jurusan Teknologi Informasi, Fakultas Teknik, Universitas Udayana, Denpasar, Indonesia
agungokas@unud.ac.id
2
Jurusan Teknik Informatika, STIKI Indonesia, Denpasar, Indonesia
ayu_wirdi@yahoo.com
3
Jurusan Teknologi Informasi, Fakultas Teknik, Universitas Udayana, Denpasar, Indonesia
dongdek@yahoo.com
Abstrak
Kekayaan budaya yang sangat beragam di Indonesia memiliki kelebihan tersendiri dalam hal tulisan dimana dikenal
berbagai macam tulisan daerah, dengan bentuk huruf yang beragam dan unik. Tulisan atau Aksara Bali memiliki
keunikan dari bentuknya yang hampir sama satu dengan yang lainnya dan beberapa tulisan hanya dibedakan oleh
satu guratan garis. Hal ini menjadi suatu permasalahan tersendiri dalam mengenali Tulisan Bali. Berdasarkan
permasalahan tersebut maka dibangun suatu sistem yang bertujuan untuk pengenalan Aksara Bali khususnya Aksara
Bali Cetak, sehingga mempermudah orang dalam membaca Aksara Bali.
Pembentukan pola model baru didasarkan pada batasan-batasan dalam Metode Pola Busur Terlokalisasi dengan
tujuan untuk mengurangi banyaknya pola model yang digunakan, sehingga waktu proses bisa dipersingkat. Batasan
utamanya yaitu lokalisasi permasalahan pada pola model yang didefinisikan di dalam sebuah bujur sangkar kecil
berukuran 5 x 5, pemilihannya berbasis pada sampel Aksara Bali Cetak yang dimiliki. Pola-pola yang dibentuk oleh
titik karakteristik tersebut menghasilkan 125 buah pola yang dikelompokkan menjadi 103 pola model awal. Sampel
data untuk membentuk pola model dalam penelitian ini sebanyak 600 buah citra Aksara Bali yang diambil dari
beberapa buku cetak dan internet. Pola model yang didapatkan dari proses tersebut sebanyak 23 buah. Tahapan yang
dilakukan dalam sistem ini: akuisisi data, pra-pemrosesan, ekstraksi ciri, pendaftaran, pembandingan, dan
pengambilan keputusan.
Unjuk kerja sistem diukur berdasarkan dua macam tipe kesalahan, yaitu : tingkat kesalahan penolakan (false
rejection rate) dan tingkat kesalahan penerimaan (false acceptance rate). Didapatkan prosentase kesalahan
minimum pada semua kombinasi konstanta pengali nilai ambang Cd 2,0; 3,0; 4,0; 5,0 dan konstanta pemotongan
nilai eigen q bernilai 3, dengan tingkat keberhasilan 92,7 %.
Kata kunci: nilai ketidaksamaan, pengenalan Aksara Bali cetak, Metode Pola Busur Terlokalisasi, pola model
khusus Aksara Bali, ekstraksi ciri.
1. Pendahuluan
Perkembangan teknologi di bidang informatika dan komputer sangatlah pesat. Sistem komputer
dikembangkan agar dapat melakukan proses pengenalan suatu pola sebagaimana kemampuan manusia.
Sistem pengenalan pola yang banyak dimanfaatkan saat ini seperti pengenalan sidik jari dan telapak
tangan yang berupa citra, pengenalan suara, sampai pengenalan tulisan. Salah satu dari pengenalan pola
yang umum yang dikenal orang adalah pengenalan tulisan. Tulisan memiliki sifat yang unik sehingga
menghasilkan sebuah permasalahan baru yang menarik untuk diteliti.
Kekayaan budaya yang sangat beragam di Indonesia memiliki kelebihan tersendiri dalam hal tulisan
dimana dikenal berbagai macam tulisan daerah. Tulisan di masing-masing daerah mempunyai bentuk
huruf yang beragam dan memiliki keunikan tersendiri. Pengenalan tulisan yang dijadikan objek dalam
penelitian ini adalah Tulisan Daerah Bali atau sering disebut dengan Aksara Bali. Tulisan Bali memiliki
keunikan dari bentuknya yang hampir sama satu dengan yang lainnya dan beberapa tulisan hanya
dibedakan oleh satu guratan garis[1]. Tulisan Bali juga memiliki sifat yang berbeda dengan tulisan Latin,
Jepang, Korea maupun Cina. Hal ini menjadi suatu permasalahan tersendiri dalam mengenali Tulisan
Bali[2]. Berdasarkan permasalahan tersebut maka dibangun suatu sistem yang bertujuan untuk
pengenalan Aksara Bali, sehingga mempermudah orang dalam membaca Aksara Bali. Pengembangan
sistem ini diharapkan memberikan metode alternatif untuk pengenalan citra Aksara Bali terkomputerisasi
sehingga dapat menarik minat generasi muda untuk mempelajari Aksara Bali yang merupakan salah satu
dasar Budaya Bali yang muara akhirnya bisa memberikan kontribusi dalam pelestarian budaya bangsa
melalui pelestarian budaya daerah.
Ekstraksi ciri menggunakan pola khusus berbasis pada metode Pola Busur Terlokalisasi, yang
disesuaikan dengan model Aksara Bali dengan alasan karena metode ini mengambil karakteristik Aksara
Bali sehingga diharapkan dapat memberikan hasil pengenalan yang lebih baik. metode ini sudah terbukti
cukup berhasil dalam hal verifikasi citra tandatangan dan pengenalan tulisan tangan Latin, Jepang, Korea
maupun Cina. Tingkat keakuratan dalam hal Pengenalan Karakter Aksara Bali dilakukan dengan cara
menghitung persentase keberhasilan, kesalahan rata-rata sistem serta kompleksitas waktu.
2. Metodelogi Penelitian
2.1. Aksara Bali
Ejaan Bahasa Bali dengan Huruf Latin disesuaikan dengan ejaan dalam Bahasa Indonesia, yang mana
ejaan tersebut dibuat sesederhana mungkin dan sifatnya fonetik, yaitu tepat atau mendekati ucapan
sebenarnya. Huruf-huruf dasar yang dipakai untuk menuliskan Bahasa Bali dengan Huruf Latin dibagi 2
yaitu: Aksara Suara (vokal) dan Aksara Wianjana (konsonan) seperti terlihat pada Tabel 1 dan 2[3].
Tabel 1. Daftar Aksara Suara (Vokal)
Nomor
Aksara Bali
Bali Latin
a
ê
i
U
e
o
Tabel 2. Daftar Aksara Wianjana (Konsonan)
Nomer Aksara Bali
Bali Latin
Nomer Aksara Bali Bali Latin
h/a
l
n
M
c
G
r
B
k
Ng
d
P
t
J
s
Y
w
Ny
2.2. Gambaran Umum Sistem
System
Developer
Model pattern
development
Image Input:
Balinese
character
Image Input:
Balinese
Database of
Model pattern
Character
Enrolment
Comparison with All
Record in Reference
Database
Output: smallest
dissimilarity
value and ID
Aksara
Reference
Database
Decision Making
Searching the smallest
dissimilarity value
Threshold and
Critical Value
Gambar 1. Pemodelan Sistem Pengenalan Aksara Bali Cetak
Recognition
Result Report
2.3. Data
Sumber data yang dipakai sebagai sampel Aksara Bali yang digunakan untuk melakukan
pembentukan pola model dan pengujian sistem pengenalan karakter ini adalah data citra Aksara Bali
dalam penelitian I Komang Gede Suamba Dharmayasa[4]. Sampel Aksara Bali yang digunakan diperoleh
dari hasil scan buku ajar Bahasa Bali yang diambil menggunakan segmentasi per blok karakter dan juga
dari internet.
2.4. Pembentukan dan Pemilihan Pola Model
Pembentukan pola model baru yang didasarkan pada batasan-batasan dalam Metode Pola Busur
Terlokalisasi[5,6] untuk Tulisan Jepang dan Tandatangan Latin dengan tujuan untuk mengurangi
banyaknya pola model yang digunakan, sehingga waktu proses sistem bisa dipersingkat. Batasan
utamanya yaitu lokalisasi permasalahan pada pola model yang didefinisikan di dalam sebuah
bujur sangkar kecil berukuran 5 x 5, tetapi pemilihannya berbasis pada sampel Aksara Bali yang dimiliki.
Pola-pola yang dibentuk oleh titik karakteristik dalam bujur sangkar 5 x 5 menghasilkan 125 buah
kemungkinan pola awal dan bisa dikelompokkan menjadi 103 pola model awal[7]. Pengurangan waktu
proses dilakukan dengan pemilihan pola dari 125 pola tersebut yang memang sering muncul pada Aksara
Bali. Pemilihan pola-pola itu dilakukan dengan menggunakan bantuan program untuk menghitung
keseringan muncul masing-masing pola tersebut pada sejumlah citra biner Aksara Bali. Sampel data yang
dipergunakan untuk membentuk pola model dalam penelitian sebanyak 600 buah citra Aksara Bali yang
diambil dari beberapa buku cetak dan internet. Pola model yang didapatkan dari hasil proses pemilihan
pola tersebut sebanyak 23 buah pola seperti terlihat pada Gambar 2.
Gambar 2. Pola Model dari Karakter Aksara Bali berbasis pada Metode Pola Busur Terlokalisasi
2.5. Tahapan Pengenalan Karakter Aksara Bali
Secara umum dalam pengolahan citra, untuk mendapatkan informasi yang terkandung di dalamnya maka
biasanya dilakukan proses-proses pendahulu pada citra tersebut. Setelah itu baru dilakukan proses-proses
berikutnya yang berkenaan dengan informasi apa yang diinginkan untuk diolah, demikian juga halnya
pada pengenalan Tulisan Bali. Adapun tahapan-tahapan yang dilakukan dalam sistem Pengenalan
Karakter Aksara Bali[8], khususnya Metode Pola Busur Terlokalisasi adalah sebagai berikut:
i. Data acquisition, merupakan proses pengubahan data dari data analog Aksara Bali, menjadi citra
dengan scanner. Citra yang disimpan dalam format file bitmap berupa data kasar dan selanjutnya akan
diproses pada tahapan selanjutnya.
ii. Preprocessing, jika file bitmap yang dihasilkan pada tahap pengambilan data belum berbentuk dua
warna (hitam putih) maka terlebih dahulu dilakukan konversi menjadi data citra dua warna (proses
binerisasi), karena citra Aksara Bali yang nantinya diperlukan berupa citra biner. Setelah itu dilakukan
eliminasi terhadap data yang tidak diperlukan, guna memastikan bahwa data yang akan diproses pada
tahapan berikutnya sudah merupakan data yang sahih.
iii. Feature extraction, setelah data tersebut diolah menjadi data jadi pada tahap pra proses, kemudian
dilakukan ekstraksi ciri dari citra biner Aksara Bali. Ciri-ciri yang diekstraksi menggunakan pola
model khusus untuk Aksara Bali dari Metode Pola Busur Terlokalisasi seperti terlihat pada Gambar 2.
Aksara Bali yang telah berbentuk citra biner akan langsung diproses untuk mendapatkan frekuensi
kemunculan masing-masing pola. Pola yang memiliki nomor model yang sama tetapi dengan nomor
urut berbeda, frekuensi kemunculannya dijumlahkan untuk mendapatkan frekuensi kemunculan dari
pola model tersebut. Cara penghitungannya adalah dengan menggerakkan setiap pola model di atas
pola biner citra Aksara Bali, sebagai patokan adalah titik yang berbentuk lingkaran penuh. Titik ini
digeser secara teratur satu grid ke arah horisontal atau vertikal, sampai semua titik pada citra biner
Aksara Bali terlewati. Setiap pergeseran dilakukan pembandingan terhadap ruang yang dilingkupi oleh
model tersebut, apakah sama ataukah tidak. Jika sama maka frekuensi kemunculan pola model tersebut
ditambahkan. Misalkan citra Aksara Bali dilambangkan dengan f dan terdapat 23 pola model maka
citra Aksara Bali tersebut dapat diekspresikan sebagai vektor kolom x berdimensi p, dengan p adalah
23 yaitu sesuai dengan pola model yang ada. Berbentuk matriks dapat dituliskan sebagai berikut :
⎡ x1 ⎤
⎢ x2 ⎥
x=⎢ ⎥
⎢M⎥
⎢ ⎥
⎣ x 23⎦
(1)
Elemen-elemen x yaitu x1, x2,… x23 adalah frekuensi kemunculan dari masing-masing pola model
sesuai dengan nomor modelnya.
iv. Enrollment, Tahapan pendaftaran Aksara Bali acuan dilakukan dengan mengekstraksi ciri dari
beberapa Aksara Bali acuan dan hasil yang diperoleh disimpan pada sebuah file basisdata acuan.
Misalkan masing-masing Aksara Bali ke i disebut dengan Pi digunakan sebagai Aksara Bali acuan
sebanyak m, maka dari m buah Aksara Bali ini diekstraksi ciri menggunakan Metode Pola Busur
Terlokalisasi menghasilkan m buah vektor kolom x berdimensi p, hasil ini dijadikan satu matriks
vektor berukuran p x m dengan bentuk sebagai berikut :
⎡ x11 x12 L x1m ⎤
⎢ x 21 x 22 L x 2 m ⎥
⎥
Pi = ⎢
⎢M
M
M ⎥
⎥
⎢
⎣ xp1 xp 2 L xpm ⎦
(2)
Nilai m yang digunakan pada sistem ini adalah 3 Aksara Bali yang diambil dari beberapa buku cetak,
dengan pertimbangan bahwa 3 Aksara Bali tersebut diharapkan mampu untuk mewakili variasi yang
ada dari sebuah karakter Aksara Bali, di samping itu sistem nantinya bekerja dengan tidak terlalu
lambat. Jadi ukuran matriks vektor acuan pada sistem pengenalan ini adalah 23 x 3 untuk 23
pola model. Matriks vektor yang didapatkan disimpan pada basisdata acuan dengan kata kunci nomor
identitas Aksara Bali.
v. Comparison, Tahap Pembandingan merupakan inti dari keseluruhan proses pengenalan. Pada tahap
pembandingan ini, ciri citra Aksara Bali masukan akan dibandingkan dengan ciri acuan yang ada pada
basis data. Pada tahap inilah dilakukan perhitungan-perhitungan dari frekuensi yang didapat pada
proses ekstraksi ciri. Berdasarkan proses pembandingan tersebut didapatkan nilai ketidaksamaan
(dissimilarity measure) masing-masing acuan dengan citra input. Nilai ketidaksamaan atau nilai beda
inilah yang digunakan sebagai dasar untuk pengambilan keputusan hasil pengenalan. Basisdata acuan
dibaca satu record data acuan karakter. Acuan yang berbentuk matriks p x m ini selanjutnya dihitung
rata-rata kemunculan setiap pola model dengan cara :
xi =
m
∑
x ik
k =1
(3)
m
Nilai-nilai yang dihasilkan yaitu x1/, x2/, … xp/, ditempatkan sebagai elemen vektor kolom x/
berdimensi p, yang merupakan rata-rata acuan. Lalu dicari matriks varians V berdimensi p x p dari
acuan dengan persamaan:
V =
m
∑ (x
j
− x
/
)( x j
− x
/
)t
(4)
/m
j=1
Mencari frekuensi kemunculan pola model pada citra karakter yang dibandingkan sama halnya
dengan mencari frekuensi pola model acuan. Misalkan Aksara Bali yang dibandingkan disebut Q
maka vektor kolom hasilnya adalah xq. Varians V, rata-rata acuan x/ dan vektor kolom xq, digunakan
menghitung nilai beda[6] dengan persamaan sebagai berikut:
D ( Pi , Q ) =
q
∑
k =1
( Z Qk − Z /k ) 2
λk
p
+
∑
k = q +1
ZQk = lkt xQ
Z /k = l kt x /
( Z Qk − Z /k ) 2
λ
(5)
q
(6)
(7)
dengan ketentuan :
¾
¾
¾
¾
¾
¾
¾
¾
D(Pi,Q) : nilai ketidaksamaan antara acuan Pi dengan pembanding Q.
λ
: vektor kolom yang berisi nilai eigen dengan urutan menurun (descending order)
yaitu (λ1, λ2, λ3, …, λp)
lk
: vektor eigen yang berbentuk vektor kolom terurut sesuai dengan nilai eigen yang
berhubungan.
xQ
: vektor kolom yang berisi frekuensi munculnya pola model pada citra karakter
pembanding.
x/
: vektor kolom rata-rata acuan.
t
: transpose.
p
: dimensi vektor kolom
q
: suatu integer dengan syarat 1≤q ≤ p. Konstanta q merupakan nomor pemotongan
dari nilai eigen.
vi. Reference database design, Perancangan basisdata acuan merupakan proses pembentukan file
basisdata yang akan dijadikan acuan pada saat proses pengenalan. Sistem pengenalan ini
menggunakan 6 buah sampel Aksara Bali untuk masing-masing karakter, dengan perincian: 3 untuk
acuan serta 3 sisanya sebagai pembanding untuk menentukan nilai ambang. Tahap perancangan
basisdata acuan terdiri dari dua pokok penting yaitu pendaftaran Aksara Bali acuan dan penentuan
nilai ambang batas yang akan disimpan dalam satu record dengan kata kunci nomor identitas. Setelah
dilakukan proses pendaftaran tersebut dilanjutkan dengan membandingkan Aksara Bali yang akan
dipergunakan untuk menentukan nilai ambang. Berdasarkan hasil pembandingan tiga Aksara Bali ini
didapatkan nilai ketidaksamaannya masing-masing. Median dari nilai ketidaksamaan inilah yang
disimpan pada basisdata acuan melengkapi frekuensi sampel sebelumnya, dan dipergunakan sebagai
nilai ambang (threshold) atau nilai kritis (Cc) yang dikalikan dengan suatu konstanta Cd.
vii. Decision making, Nilai-nilai ketidaksamaan yang didapatkan pada proses sebelumnya diurutkan.
Identitas acuan dengan nilai ketidaksamaan terkecil dan memenuhi nilai ambang (thereshold)
diputuskan sebagai jenis karakter Aksara Bali yang sesuai dengan citra Aksara Bali yang diinputkan.
Jika nilai ketidaksamaan terkecil yang didapatkan masih diatas nilai ambang batas, maka disimpulkan
karakter Aksara Bali masukan tersebut tidak dikenali. Apabila d(Pj, Qi) didefinisikan sebagai nilai
ketidaksamaan antara Aksara Bali acuan yang dimiliki oleh sebuah karakter Aksara Bali Pj dengan
Aksara Bali yang diuji Qi, Ccj adalah nilai kritis yang telah didapat sebelumnya dari sebuah karakter
Aksara Bali Pj serta Cd adalah konstanta pengali, maka berlaku hubungan:
Jika d(Pj, Qi) ≤ Ccj x Cd maka keputusannya ‘DIKENALI’
Selain itu keputusannya ‘TIDAK TERDAFTAR’.
3. Pengujian dan Analisa Hasil
Pengujian terhadap karakter Aksara Bali Cetak dilakukan dengan mengatur variasi konstanta
pengali nilai ambang (Cd) yaitu 2, 3, 4 dan 5, dengan hasil yang diperoleh adalah banyaknya kesalahan
yang terjadi pada masing-masing konstanta tersebut. Total kesalahan pada masing-masing variasi
lingkungan sistem diperlihatkan pada Tabel 3 yang digunakan untuk mempermudah melakukan analisis.
Tabel 3 Banyaknya kesalahan yang terjadi pada pengujian sistem pengenalan
Cd = 2,0
POLA MODEL
Q
Aksara Bali
(p=23)
1
2
3
1
2
3
Tandatangan
Indonesia
(p=42)
Cd = 3,0
diken
al
Tidak
terdaf
tar
Dkenal
aksara
lain
225
193
238
227
192
227
7
3
5
7
5
12
15
51
4
13
50
8
Cd = 4,0
diken
al
Tidak
terdaf
tar
Dkenal
aksara
lain
226
193
238
227
192
228
4
1
3
6
3
10
17
53
6
14
52
9
Cd = 5,0
diken
al
Tidak
terdaf
tar
Dkenal
aksara
lain
diken
al
Tidak
terdaf
tar
Dkenal
aksara
lain
226
193
238
228
192
228
4
0
1
3
1
5
17
54
8
16
54
14
226
193
238
228
192
228
3
0
0
3
1
5
18
54
9
16
54
14
Tabel 4 Prosentase kesalahan Tipe I dan Tipe II pada pengujian sistem pengenalan
POLA MODEL
Aksara Bali
(p=23)
Tandatangan
Indonesia
(p=42)
q
Cd = 2,0
Cd = 3,0
Cd = 4,0
Cd = 5,0
Tipe I
(%)
Tipe II (%)
Tipe I
(%)
Tipe II (%)
Tipe I
(%)
Tipe II (%)
Tipe I (%)
Tipe II (%)
1
2
3
1
2
2,8
1,2
2,0
2,8
2
6,1
20,6
1,6
5,3
20,2
1,6
0,4
1,2
2,4
1,2
6,9
21,4
2,4
5,7
21
1,6
0
0,4
1,2
0,4
6,9
21,8
3,2
6,5
21,8
1,2
0
0
1,2
0,4
7,3
21,8
3,6
6,5
21,8
3
4,9
3,2
4,0
3,7
2
5,7
2
5,7
Tabel 5 Prosentase keberhasilan pada pengujian sistem pengenalan
POLA MODEL
Aksara Bali
(p=23)
Tandatangan
Indonesia
(p=42)
Cd = 2,0
Cd = 3,0
Cd = 4,0
Cd = 5,0
1
2
3
1
2
(%)
91,1
78,2
92,7
91,9
77,8
(%)
91,5
78,2
92,7
91,9
77,8
(%)
91,5
78,2
92,7
92,3
77,8
(%)
91,5
78,2
92,7
92,3
77,8
3
91,9
92,3
92,3
92,3
q
Gambar 3. Grafik Prosentase Unjuk Kerja Sistem (Keberhasilan)
Gambar 4. Grafik Waktu Proses Pengenalan
6. Kesimpulan
• Ekstraksi ciri karakter dilakukan dengan pola khusus yang dibentuk berdasarkan Metode Pola Busur
Terlokalisasi. Pemilihan model dilakukan dari implementasi pola yang didapatkan pada basisdata
citra Aksara Bali, berdasarkan akumulasi frekuensi kemunculan masing-masing pola model. Dilihat
dari prosentase kesalahan serta waktu proses, metode ini terbukti cukup efektif dan menghasilkan
unjuk kerja yang lebih baik untuk pengenalan Aksara Bali, dibandingkan dengan memakai pola
model Tandatangan Indonesia.
•
Unjuk kerja sistem diukur berdasarkan dua macam tipe kesalahan, yaitu: kesalahan penolakan (false
rejection rate) dan kesalahan penerimaan (false acceptance rate). Sistem yang dikembangkan
mempunyai prosentase kesalahan minimum pada semua kombinasi konstanta pengali nilai ambang
Cd 2,0; 3,0; 4,0; 5,0 dan konstanta pemotongan nilai eigen q bernilai 3, dengan rata-rata kesalahan
sistem adalah 7,3 % sehingga tingkat keberhasilannya sebesar 92,7%.
Ucapan Terima Kasih
Banyak bantuan yang diterima dalam pelaksanaan penelitian, pengumpulan sample data dan penulisan
laporan penelitian ini, untuk itu secara khusus mengucapkan terima kasih kepada Lembaga Penelitian
dan Pengabdian kepada Masyarakat (LPPM) Universitas Udayana yang telah memberikan bantuan
dengan menyediakan pembiayaan penelitian ini serta segenap Civitas Jurusan Teknologi Informasi,
Fakultas Teknik, Universitas Udayana.
Daftar Pustaka
[1] Agung BW, Tjokorda; I Gede Rudy Hermanto; Retno Novi D. Pengenalan Huruf Bali dengan
Menggunakan metode Modified Direction Feature (MDF) dan Learning Vector Quantization
(LVQ).
yudiagusta.files.wordpress.com/.../007-012-knsi09-002-pengenalan-huruf-balimenggunakan-metode-modified-direction-feature-_mdf. Konferensi Nasional Sistem dan
Informatika 2009. Institut Teknologi Telkom, Bandung, 2009 .
[2] Oka Sudana, AA. K. Rancang Bangun Sistem Verifikasi Tandatangan dan Pengenalan Tulisan
Tangan dengan Metode Pola Busur Terlokalisasi. Proceeding of the Research and Studies III.
TPSDP – DIKTI 2006.
[3] Suastika I Made, Prof. Dr. S.U.. Bahasa dan Aksara Sebagai Identitas Budaya.
www.facebook.com/note.php?note_id=295184229610, 2010.
[4] Suamba Dharmayasa, I Komang Gede.. Pengenalan Karakter Bali Cetak Menggunakan Metode
Moment dan Jaringan Syaraf Tiruan Learning Vector Quantization, Skripsi Jurusan Teknik Elektro,
Universitas Udayana, Jimbaran, 2009.
[5] Yoshimura, I., Shimizu, T. dan Yoshimura, M.. A Zip Code Recognition System using the
Localized Arc Pattern Method. Proceedings of the 2nd International Conference on Document
Analysis and Recognition. IEEE Computer Society. p183-186, 1993.
[6] Yoshimura, M. dan Yoshimura, I., “Writer Identification Based on the Arc Pattern
Transformation”, Proceedings of the 9th International Conference on Pattern Recognition,
November 14-17,pp. 55-64 , IEEE Computer Society, Washington, 1994.
[7] Oka Sudana, AA.K. Implementasi Pola Model Tandatangan Jepang dan Tandatangan Indonesia
untuk Verifikasi Tandatangan Latin. Jurnal Pakar, Vol.7, No 4, Yogyakarta, 2007.
[8] Wirdiani, Ni Kadek Ayu, “Pembentukan Pola Khusus untuk Ekstraksi Ciri pada Sistem Pengenalan
Aksara Bali Cetak”, Thesis, PS. Magister Teknik Elektro, Universitas Udayana, 2011.
SEMINAR RESEARCH EXCELLENT UNUD 2013
LEMBAGA PENELITIAN DAN PENGABDIAN KEPADA MASYARAKAT
UNIVERSITAS UDAYANA
Kampus Universitas Udayana Jalan PB. Sudirman, Selasa 22 Januari 2013
PROGRAM SEMINAR
Regristrasi dan Pembukaan (Ruang Theatre Fakultas Kedokteran UNUD)
08.30 ‐ 09.00 Registrasi
Panitia
09.00 ‐ 09.10 Pembukaan
MC
Sambutan Ketua Panitia Pelaksana Seminar
Ketua Panitia
09.10 ‐ 09.40 Sambutan Ketua LPPM‐Unud
Ketua LPPM
Sambutan Pembukaan Seminar
Sesi Pleno
Rektor Unud
Pembicara kunci
Moderator
Prof. Dr. drh. I Made
Damriyasa, MS.
Panitia
09.40 – 10.20 Prof. Dr. dr. Ketut Suastika, Sp.PD‐KE
10.20 – 11.00 Bappeda Provinsi Bali
11.00 ‐11.15 Coffee break
Kesehatan, Obat dan
Makanan (Ruang I)
Sesi Paralel
MIPA, Teknik, Pariwisata
dan Lingkungan
(Ruang III)
Pertanian, Tek Pertanian,
Peternakan (Ruang II)
Sastra, Hukum,
Ekonomi & Humaniora
(Ruang IV)
11.15 ‐ 11.32
11.32 ‐ 11.49
11.49 – 12.06
12.23 ‐ 12.40
12.06 ‐ 12.23
12.40 – 13.10 Istirahat Makan Siang
Moderator:
R‐I:
Dr. Ir. Ni Made Wartini, MP.
R‐II:
Dr. Ir. Ida Ayu Astarini, M.Sc.
R‐III:
Prof. Dr. I Ketut Junitha, MS.
R‐IV:
Dr. I M. Sadha Suardikha SE., M.Si
Panitia
Pertanian, Tek Pertanian,
Peternakan (Ruang II)
MIPA, Teknik, Pariwisata
dan Lingkungan
(Ruang III)
13.10 – 13.27
13.27 – 13.44
13.44 – 14.01
Kesehatan, Obat dan
Makanan (Ruang I)
Sesi Paralel
14.01 – 14.18
14.18 – 14.35
Sastra, Hukum,
Ekonomi & Humaniora
(Ruang IV)
Moderator
R‐I:
Dr. Ir.I Nengah Sujaya, M.Agr.Sc
R‐II:
Prof. Dr. Ir. I Nyoman Rai, MS.
R‐III:
Gusti A. Suartika, ST,MEng.PhD
R‐IV
Dr. Ni Nyoman Kerti Yasa SE.,
MS.
Panitia
14.35 – 14.50 Coffee break
Pertanian, Tek Pertanian,
Peternakan (Ruang II)
MIPA, Teknik, Pariwisata
dan Lingkungan
(Ruang III)
14.50 – 15.07
15.07 – 15.24
15.24 – 15.41
15.41 – 15.58
15.58 – 16.15
Kesehatan, Obat dan
Makanan (Ruang I)
Sesi Paralel
16.15– 16.30
Penutupan
Keterangan:
R‐I
: Ruang Theatre FK;
R‐II : Ruang Sidang FKH,
R‐III
: Ruang Kuliah FKH;
R‐IV : Ruang GDLN
Waktu presentasi (sesi paralel) masing‐masing penyaji : 17 menit termasuk diskusi.
Sastra, Hukum,
Ekonomi & Humaniora
(Ruang IV)
Moderator
R‐I:
Drh. I Wayan Bebas, M.Kes
R‐II:
Dr. Ir. Yenni Ciawi
R‐III:
Dr. Ir. I Wayan Surata, M.Erg.
R‐IV:
Dr. Ni K. Supasti Dharmawan,
SH. M.Hum.,LLM.
Ditutup oleh masing‐masing
moderator
Sistem Pengenalan Aksara Bali Cetak dengan Pola Model Khusus
berbasis Metode Pola Busur Terlokalisasi
oleh
A.A.K. Oka Sudana
Gusti Agung Ayu Putri
Ni Kadek Ayu Wirdiani
JURUSAN TEKNOLOGI INFORMASI
FAKULTAS TEKNIK, UNIVERSITAS UDAYANA
OVERVIEW
Writing in each region has a variety of typefaces and has its own
uniqueness.
Aksara Bali Æ has a unique writing of a similar shape to one
another and some writings are distinguished only by a single line
sketch.
To be easier reading Balinese writing.
Expected to provide an alternative method for the recognition of a
computerized image of Balinese writing simbol.
New model of pattern formation is based on the constraints in the
Localized Arc Pattern Method for Japanese writing and Latin
signature in order to reduce the number of pattern models used.
Aksara Suara (VoKal)
SAMPEL AKSARA BALI
SAMPLE OF AKSARA BALI
Aksara Wianjana (Konsonan)
System of Recognition Modelling
System Developer
Model pattern
development
Image Input:
Balinese
character
Image Input:
Balinese
character
Database of
Model pattern
Character
Enrolment
Comparison with All Record
in Reference Database
Output:
smallest
dissimilarity value
and ID Aksara
Reference
Database
Decision Making
Searching the smallest
dissimilarity value
Threshold and
Critical Value
Recognition
Result Report
RESULT AND DISCUSION
Models Pattern Development Æ The patterns is formed
by the characteristic point in a square 5 x 5 produces
125 pieces of possible initial patterns that can be
grouped into an 103 patterns early models. Reduction
of processing time is done by selection of 125 patterns
(show in Figure 2) that are frequently come up in
Aksara Bali.
Models Pattern Selection Æ using computer program
to calculate the frequency of each pattern appeared on
a number of binary image of the Balinese character.
Localized Arch Pattern
Characteristic Point
End Point
B
l=3
B
l=2
l=0
Distance
l= -1
l=1
l= -2
l= -3
A
End Point
point
End
A
Radius OA
=2AB / l
O
All pattern possibility from Localized Arch Pattern with matrix 5x5
No.1 Model 1
No.2 Model 2
No.3 Model 3
No.4 Model 4
No.5 Model 5
No.6 Model 6
No.7 Model 7
No.64 Model 61
No.65 Model 61
z
No.8 Model 8
z
z
No.9 Model 9
No.10 Model 10
z
No.11 Model 11
No.12 Model 12
No.13 Model 13
No.14 Model 14
z
z
z
z
No.68 Model 64
z
z
No.73 Model 66
No.74 Model 66
No.75 Model 67
No.70 Model 64
z
No.71 Model 65
No.69 Model 64
No.67 Model 63
No.66 Model 62
No.72 Model 66
z
z
No.76 Model 68
z
z
No.16 Model 16
No.17 Model 17
z
z
z
z
No.18 Model 18
No.19 Model 19
No.20 Model 20
No.21 Model 21
z
No.79 Model 70
No.81 Model 71
No.82 Model 72
z
No.22 Model 22
No.23 Model 23
z
z
z
No.24 Model 24
No.25 Model 25
No.26 Model 26
z
No.27 Model 27
No.28 Model 28
No.85 Model 74
No.86 Model 75
No.87 Model 76
No.88 Model 76
z
z
z
No.30 Model 30
No.31 Model 31
No.32 Model 32
No.33 Model 33
z
z
No.89 Model 77
No.90 Model 78
No.91 Model 78
z
No.98 Model 84
z
z
z
z
z
z
z
z
No.34 Model 34
No.35 Model 35
No.92 Model 79
No.93 Model 80
No.94 Model 81
No.95 Model 81
No.96 Model 82
No.97 Model 83
z
z
z
z
z
z
No.99 Model 85
No.100 Model 86
z
z
No.29 Model 29
No.84 Model 74
z
z
No.83 Model 73
z
z
z
z
z
z
z
No.80 Model 71
z
z
z
z
z
No.78 Model 69
z
No.15 Model 15
z
No.77 Model 69
z
z
z
z
z
No.36 Model 36
No.37 Model 37
No.38 Model 38
No.39 Model 39
z
No.40 Model 40
z
z
No.41 Model 41
No.42 Model 42
z
z
z
z
z
z
No.43 Model 43
No.44 Model 44
No.45 Model 45
No.46 Model 46
No.47 Model 47
No.48 Model 48
No.49 Model 49
z
z
z
z
No.50 Model 50
No.51 Model 51
No.52 Model 52
z
z
z
No.53 Model 53
No.54 Model 54
z
z
No.55 Model 55
z
z
z
z
No.59 Model 59
No.60 Model 59
No.61 Model 59
No.62 Model 60
z
z
z
No.63 Model 61
z
z
z
No.104 Model 90
z
No.105 Model 91
z
No.108 Model 92
No.109 Model 93
z
z
No.110 Model 94
No.111 Model 94
z
z
No.112 Model 94
z
z
z
z
No.113 Model 95
No.114 Model 96
No.115 Model 97
No.116 Model 98
No.117 Model 98
No.118 Model 98
No.119 Model 99
z
No.121 Model
101
z
z
z
No.122 Model
101
No.123 Model
101
z
z
z
z
No.124 Model
102
z
No.125 Model
103
z
z
z
No.120 Model
100
z
z
z
No.58 Model 58
No.103 Model 89
No.57 Model 57
z
No.56 Model 56
No.102 Model 88
z
No.107 Model 92
No.106 Model 92
No.101 Model 87
z
z
Frequency of 23 selected pattern appeared from 600 binary image of Aksara
No
Model
Freq
No
Model
Freq
1
58
58154
13
82
126
2
1
36365
14
14
68
3
63
17262
15
12
49
4
46
11319
16
86
32
5
49
8896
17
19
30
6
4
743
18
10
23
7
83
539
19
26
19
8
2
489
20
90
15
9
6
244
21
31
15
10
5
226
22
13
14
11
3
223
23
47
10
12
8
171
Reorder (shorting) and Rename
No
Model
Freq
No
Model
Freq
1
1
36365
13
26
19
2
2
489
14
31
15
3
3
223
15
46
11319
4
4
743
16
47
10
5
5
226
17
49
8896
6
6
244
18
58
58154
7
8
171
19
63
17262
8
10
23
20
82
126
9
12
49
21
83
539
10
13
14
22
86
32
11
14
68
23
90
15
12
19
30
The 23 Selected Special Model Pattern of Balinese Character
Base on Localized Arc Pattern Method
Banyaknya kesalahan yang terjadi pada pengujian sistem
pengenalan
Cd = 2,0
POLA MODEL
Tandatan
gan
Indonesia
(p=42)
Cd = 4,0
Cd = 5,0
Q
dikenal
Aksara
Bali
(p=23)
Cd = 3,0
Tidak
terdafta
r
Dkenal
aksara
lain
dikenal
Tidak
terdafta
r
Dkenal
aksara
lain
dikenal
Tidak
terdafta
r
Dkenal
aksara
lain
dikenal
Tidak
terdafta
r
Dkenal
aksara
lain
1
225
7
15
226
4
17
226
4
17
226
3
18
2
193
3
51
193
1
53
193
0
54
193
0
54
3
238
5
4
238
3
6
238
1
8
238
0
9
1
227
7
13
227
6
14
228
3
16
228
3
16
2
192
5
50
192
3
52
192
1
54
192
1
54
3
227
12
8
228
10
9
228
5
14
228
5
14
Prosentase keberhasilan pada pengujian sistem pengenalan
POLA
MODEL
q
Cd = 2,0
(%)
Cd = 3,0
(%)
Cd = 4,0
(%)
Cd = 5,0
(%)
Aksara Bali
(p=23)
1
91,1
91,5
91,5
91,5
2
78,2
78,2
78,2
78,2
3
92,7
92,7
92,7
92,7
1
91,9
91,9
92,3
92,3
2
77,8
77,8
77,8
77,8
3
91,9
92,3
92,3
92,3
Tandatangan
Indonesia
(p=42)
Grafik Prosentase Unjuk Kerja Sistem (Keberhasilan)
Grafik Waktu Proses Pengenalan
Conclusion
Ekstraksi ciri karakter dilakukan dengan pola khusus yang dibentuk
berdasarkan Metode Pola Busur Terlokalisasi. Pemilihan model dilakukan
dari implementasi pola yang didapatkan pada basisdata citra Aksara Bali,
berdasarkan akumulasi frekuensi kemunculan masing-masing pola model.
Dilihat dari prosentase kesalahan serta waktu proses, metode ini terbukti
cukup efektif dan menghasilkan unjuk kerja yang lebih baik untuk
pengenalan Aksara Bali, dibandingkan dengan memakai pola model
Tandatangan Indonesia.
Unjuk kerja sistem diukur berdasarkan dua macam tipe kesalahan, yaitu:
kesalahan penolakan (false rejection rate) dan kesalahan penerimaan
(false acceptance rate). Sistem yang dikembangkan mempunyai
prosentase kesalahan minimum pada semua kombinasi konstanta pengali
nilai ambang Cd 2,0; 3,0; 4,0; 5,0 dan konstanta pemotongan nilai eigen q
bernilai 3, dengan rata-rata kesalahan sistem adalah 7,3 % sehingga
tingkat keberhasilannya sebesar 92,7%.
Sistem Pengenalan Aksara Bali Cetak dengan Pola Model Khusus
berbasis Metode Pola Busur Terlokalisasi
By
A.A.K. Oka Sudana
Gusti Agung Ayu Putri
Ni Kadek Ayu Wirdiani
JURUSAN TEKNOLOGI INFORMASI
FAKULTAS TEKNIK, UNIVERSITAS UDAYANA