Analisis dan Implementasi Pemeriksaan Lembar Jawaban Komputer (LJK) dengan Algoritma Perceptron.
Jurnal
ILMU KOMPUTER
Volume 6 Nomor 1 April 2013
Daftar Isi :
HEALTH INFORMATICS : AN INTRODUCTION ................................................................... 1
I Made Agus Setiawan
PENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM
ARTIFICIAL BEE COLONY .................................................................................................... 10
I Made Widiartha
IMPLEMENTASI HIGH-AVAILABILITY VPN CLIENT PADA JARINGAN KOMPUTER
FAKULTAS HUKUM UNIVERSITAS UDAYANA................................................................ 17
Putu Topan Pribadi
ANALISIS PERBANDINGAN KINERJA ANTARA NETWORK FILE SYSTEM (NFS) DAN
PRIMARY DOMAIN CONTROLLER (PDC) SAMBA ........................................................... 25
Gede Wahyudi, Trisna Hanggara
ANALISIS IDENTIFIKASI POLA DAUN MENGGUNAKAN METODE CANNY, SOBEL,
PREWITT DAN ROBERTS ....................................................................................................... 35
I Ketut Gede Suhartana, Ida Ayu Dhyana Paramitha R.
ANALISIS DAN IMPLEMENTASI PEMERIKSAAN LEMBAR JAWABAN KOMPUTER
DENGAN ALGORITMA PERCEPTRON ................................................................................ 47
I Wayan Haris Apriyana, luh gede astuti, I Made Widiartha
JURUSAN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS UDAYANA
DENPASAR
SUSUNAN DEWAN REDAKSI JURNAL ILMU KOMPUTER
Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Udayana
Ketua
Agus Muliantara, S.Kom, M.Kom
Penyunting
Drs. Wayan Santiyasa, M.Si
Ngurah Agus Sanjaya, S.Kom, M.Kom
Cokorda Rai Adi Paramarta, S.T, M.M
Ida Bagus Gede Dwidasmara, S.Kom.M.Cs
Penyunting Tamu
Imas Sitanggang, S.Si, M.Kom (IPB)
Ir. A.A. Gede Raka Dalem, M.Sc (Hons)
Prof. Pieter Hartel (Twente University)
Pelaksana
I Made Widiartha, S.Si, M.Kom
Dra. Luh Gede Astuti, M.Kom
Gede Santi Astawa, ST, M.Cs
Ida Bagus Mahendra, S.Kom, M.Kom
Alamat Redaksi
Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Udayana
Kampus Bukit Jimbaran – Badung
Telpon. 0361 – 701805
Email : journal@cs.unud.ac.id
Website : www.cs.unud.ac.id
ISSN : 1979-5661
Jurnal Ilmu Komputer - Volume 6 - No 1 – April 2013
Darma Putra, Sistem Biometrika,
Penerbit ANDI, Yogyakarta, 2009
________ , Pengolahan Citra Digital,
Penerbit ANDI, Yogyakarta, 2010
Gonzales, R.C. dan R. E. Woods,
Digital Image Processing, Addisonesley
Publishing Company, 1992.
Marvin, W. dan A. Prijono, Pengolahan
Citra Digital Menggunakan
Matlab,Informatika,
Bandung,
2007.
menggunakan metode Canny. Hal
tersebut dapat dibuktikan dari besarnya
nilai koefisien korelasi yang dihasilkan.
6.2
Saran
Berdasarkan uji coba yang telah
dilaksanakan dapat disampaikan bahwa
aplikasi ini kemampuan metode deteksi
tepi sangat dipengaruhi oleh kualitas
citra/image yang digunakan, sehingga
pada saat proses perbaikan kualitas citra
perlu dilakukan percobaan dengan
menggunakan fungsi/metode yang lain.
Dan
juga
pengembangan
perlu
penelitian
diadakan
dengan
menggunakan metode deteksi tepi
lainnya. Dan penelitian ini dapat
dikembangkan untuk sistem pakar
pengenalan pola daun.
DAFTAR PUSTAKA
Ahmad, U., Pengolahan Citra Digital &
Teknik Pemrogramannya, Graha
Ilmu, 2005.
Anonim.2012.Daun
http://id.wikipedia.org/wiki/Daun.
Diakses tanggal 25
Maret 2012.
Anonim.2012.MATLAB
http://www.mikron123.com/index.php/Tut
orialMatlab/Tutorial-1-Mengenal- Matlab.html.
Diakses tanggal 28 Maret 2012
ISSN : 1979-5661
-46-
Analisis dan Implementasi Pemeriksaan Lembar Jawaban Komputer (LJK)
dengan Algoritma Perceptron
I Wayan Haris Apriyana, luh gede astuti, I Made Widiartha
Program Studi Teknik Informatika,
Jurusan Ilmu Komputer,
Fakultas Matematika Dan Ilmu Pengetahuan Alam,
Universitas Udayana
ABSTRAK
Citra adalah suatu fungsi kontinu dari intensitas cahaya dalam bidang dua dimensi. Informasi penting
yang terdapat pada citra dapat diolah dengan mengekstraksi citra tersebut dan dilakukan proses analisis dan
klasifikasi secara tepat memanfaatkan algoritma perhitungan komputer. Pemeriksaan Lembar Jawaban Komputer
(LJK) Silang merupakan salah satu kasus yang paling berpotensi digunakan dalam sistem pengolahan citra.
Keunikan dan kestabilan karakteristik pola yang terdapat dalam opsi jawaban LJK dapat digunakan sebagai
bahan pengenalan pola.
Pada penelitian ini dibangun perangkat lunak pemeriksaan LJK silang menggunakan pengenalan pola
pada opsi jawaban LJK dengan data bobot yang didapatkan dari pembelajaran algoritma Perceptron. Citra LJK
yang menjadi citra input akan diubah menjadi citra hitam putih melalui proses thresholding, lalu dicek
kemiringan LJK karena LJK harus tegak lurus. Kemudian dicari posisi masing-masing opsi jawaban tiap nomor
pada LJK. Proses mengekstraksi fitur citra tiap opsi jawaban LJK menggunakan metode transformasi Haar
Wavelet untuk menghasilkan kombinasi koefisien LL4, HL4, LH4, dan HH4 yang digunakan sebagai input pada
algoritma Perceptron.
Hasil penelitian yang diperoleh dari 110 kali pengujian LJK adalah perangkat lunak pemeriksaan LJK
silang mampu memeriksa 103 LJK yang nilainya sama dengan pemeriksaan secara manual, dan 7 LJK tidak
sesuai dengan pemeriksaan secara manual sehingga persentase ketepatan pemeriksaan LJK sebesar 93.63% dan
persentase pengenalan 45 pola sebesar 91.11%.
Kata Kunci : Pengolahan Citra, Transformasi Haar Wavelet, Algoritma Perceptron, Pemeriksaan Lembar
Jawaban Komputer Silang
1
Analysis and Implementation of Computer Answer Sheet Correction Using Perceptron Algorithm
I Wayan Haris Apriyana
Program Studi Teknik Informatika,
Jurusan Ilmu Komputer,
Fakultas Matematika Dan Ilmu Pengetahuan Alam,
Universitas Udayana
Email : haris.ais.uchiha@gmail.com , haris.ais@cs.unud.ac.id
ABSTRACT
Image is a continued function of light intensity in a two dimensional area. The essential information the
image has can be processed by extracting, analyzing and classifying it accurately using computer calculation
algorithm. Cross Computer Answer Sheet Correction is one of the cases which is highly potentially used in the
image processing system. The uniqueness and stability of the characteristics of the patterns of the options the
Computer Answer Sheet Correction has can be used as means of introducing the patterns.
In this study the soft copy of Cross Computer Answer Sheet Correction used the introduction of the
pattern the options the Computer Answer Sheet had in which the data weight was obtained from the Perceptron
algorithm learning. The image of the Computer Answer Sheet Correction, which was the input image, was
changed into the black and white image through thresholding process. Then the declivity of the Computer
Answer Sheet was checked as it should be upright. Then the position of each option of the answer to each item
on the Computer Answer Sheet was sought out. The features of the image of each option was extracted using
transformation method of Haar Wavelet in order to produce the combination of the coefficients of LL4, HL4,
LH4, and HH4 used as the input for the Perception algorithm.
The results obtained from the Computer Answer Sheet which was tested 110 times showed that the
softcopy of the cross Computer Answer Sheet could correct 103 Computer Answer Sheets whose scores were the
same as those obtained by manual correction, meaning that the percentage of the accuracy of the Computer
Answer Sheet correction was 93.63% and that percentage of the introduction of 45 patterns was 91.11%.
Keywords: Image Management, Haar Wavelet Transformation, Perceptron Algorithm, Corss Computer
Answer Sheet Correction
PENDAHULUAN
Salah satu contoh dari teknologi baru yang memiliki banyak kendala yaitu komputerisasi pemeriksaan
lembar jawaban komputer (LJK) yang menyulitkan pelajar sebagai pengguna dan operator komputer yang
memeriksa LJK karena mereka harus memperbaiki LJK yang tidak memenuhi standar pemeriksaan dengan
komputer. Padahal selain menggunakan LJK, masih terdapat cara penjawaban soal-soal ulangan yang telah
diketahui oleh masyarakat Indonesia, yaitu menjawab dengan cara silang pada pilihan ganda. Cara ini sangat
murah dan sangat mudah untuk dipraktekan oleh pelajar sebagai pengguna. Namun cara ini masih mempunyai
kelemahan pada saat pemeriksaan lembar jawabannya yang masih tradisional, yaitu dengan tenaga manusia.
Berdasarkan latar belakang di atas, maka hal tersebut akan diteliti dengan membangun teknologi yang mampu
memeriksa lembar jawaban silang menggunakan komputer. Cara ini dapat dilakukan dengan pengolahan citra
digital dan pengenalan pola.
Pengolahan citra digital digunakan karena inputan perangkat lunak ini berupa citra digital. Citra input
akan diperbaiki untuk meningkatkan kualitas citra. Pengenalan pola digunakan untuk memeriksa jawaban yang
diberikan pada lembar jawaban komputer apakah sesuai dengan ketentuan atau tidak. Ketentuan jawaban yang
benar adalah menggunakan tanda silang (X) pada pilihan jawaban. Teknik yang penulis gunakan dalam
membangun perangkat lunak ini adalah algoritma Perceptron karena algoritma tersebut dapat digunakan untuk
mengenali pola karakter yang menyerupai huruf alphabet yaitu membedakan karakter menyerupai huruf atau
pola tertentu atau tidak, seperti membedakan huruf “A“ dan bukan huruf lain[11].
MATERI
2.1
Operasi Batas Ambang Tunggal
Pada operasi ini nilai piksel yang memenuhi syarat ambang batas tunggal dipetakan ke suatu nilai yang
dikehendaki. Operasi ambang batas tunggal menurut Achmad dan Firdausy[1] mempunyai ketentuan berikut:
0
Ki < ambang
255
Ki > ambang
Ko =
Misalkan citra yang memiliki tingkat keabuan 256, yang dipetakan menjadi citra biner menggunakan fungsi
transformasi sebagai berikut.
0
Ki < 128
255
Ki > 128
Ko =
Hasilnya, piksel-piksel yang nilai internsitasnya di bawah 128 diubah menjadi hitam (nilai intensitas = 0),
sedangkan piksel-piksel yang nilai intensitasnya di atas 128 diubah menjadi putih (nilai intensitas = 255).
2.2
Operasi Pemotongan
Operasi pemotongan adalah pengolahan citra dengan kegiatan memotong satu bagian dari citra. Sebuah
citra dipotong sebesar WxH. Titik (x1,y1) dan (x2,y2) adalah koordinat titik pojok kiri atas dan pojok kanan bawah
citra yang akan dipotong. Rumus yang digunakan adalah:
W = x2 – x1 dan H = y2 – y1
Operasi pemotongan digunakan pada saat mengambil opsi jawaban yang terdapat pada LJK.
2.3
Transformasi Haar Wavelet
Transformasi wavelet merupakan sebuah fungsi konversi yang dapat digunakan untuk membagi suatu fungsi atau
sinyal ke dalam komponen frekuensi yang berbeda, yang selanjutnya komponen-komponen tersebut dapat
dipelajari sesuai dengan skalanya. Salah satu jenis transformasi wavelet adalah Haar. Haar adalah wavelet paling
tua dan paling sederhana, diperkenalkan oleh Alfred Haar pada tahun 1909. Konsep transformasi Haar wavelet
pada suatu citra adalah membagi (dekomposisi) suatu citra menjadi empat sub-image. Pertama kali dilakukan
dekomposisi secara horizontal terhadap baris. Kemudian dilakukan dekomposisi secara vertikal terhadap kolom.
Pada setiap level, proses dekomposisi hanya dilakukan pada bagian hasil proses perataan dan hasil proses
dekomposisi adalah gabungan dari proses perataan dengan seluruh hasil proses pengurangan.
Dalam transformasi wavelet, terdapat koefisien transformasi yang berpasangan yakni
koefisien ini disebut lowpass filter dan highpass filter. Koefisien
Sedangkan
berkaitan dengan proses pengurangan. Koefisien
dan
. Pasangan
berkaitan dengan proses perataan.
dan
pada transformasi Haar wavelet
adalah sebagai berikut[9] :
(2.1)
(2.2)
Transformasi Wavelet 2D 1 level
Gambar 2.1 Transformasi Wavelet[9]
Hasil transformasi terdiri dari sub-image yang telah dilalui high pass filter pada arah horizontal dan
vertikal (HH), sub-image yang telah dilalui high pass filter pada arah horizontal dan low pass filter pada arah
vertikal (HL), sub-image yang telah dilalui low pass filter pada arah horizontal dan high pass filter pada arah
vertikal (LH), serta sub-image yang telah dilalui low pass filter pada arah horizontal dan vertikal (LL). Bagian
LL sering disebut komponen aproksimasi. Sedangkan bagian HL, LH, dan HH disebut juga komponen detil[9].
Gambar 2.2 Skema Hasil Transformasi Wavelet 2D 1 level[9]
2.4
Algoritma Perceptron
Pada dasarnya, perceptron pada jaringan syaraf tiruan dengan satu lapisan memiliki bobot yang bisa diatur dan
suatu nilai ambang (threshold). Algoritma yang digunakan oleh aturan ini akan mengatur parameter-parameter
bebasnya melalui proses pembelajaran. Nilai threshold (Ө) pada fungsi aktivasi adalah non negatif. Fungsi
aktivasi ini dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah negatif.
Gambar 2.3 Pembatasan Linier Perceptron[6]
Daerah positif memiliki pertidaksamaan :
w1x1 + w2x2 + b > Ө
(2.3)
Sedangkan daerah negatif memiliki pertidaksamaan :
w1x1 + w2x2 + b < - Ө
(2.4)
Besarnya perubahan bobot yang terjadi pada setiap iterasi menurut Theodoridis (2006) adalah :
n
w t+1 =w t t i . x i
i=0
Dengan : = learning rate,
= error ( = f(yin) – target), x = input,
(2.5)
w = bobot,i = data, i = 1,2,...,n, w(t+1) = bobot akhir, w(t) = bobot sebelumnya, f(yin) = aktivasi output, dan
target = target pola.
Perceptron terdiri atas beberapa unit masukan ditambah bias dan unit keluaran, merupakan model
pelatihan terawasi (supervised) dan fungsi aktivasi bipolar yaitu
HASIL PENELITIAN.
Data Flow Diagram.
Data Flow Diagram adalah "Suatu gambaran yang menjelaskan begaimana menggambarkan atau membuat model komponen sistem". Berikut adalah diagram konteks
Gambar 3.1 Diagram Konteks
dan DFD level 0 perangkat lunak Pemeriksaan LJK Silang
Gambar 3.2 DFD Level 0
Metode blackbox testing mengarahkan pengujian untuk menemukan kesalahan-kesalahan fungsionalitas
dari perangkat lunak dan memastikan bahwa input yang dibatasi akan memberikan hasil yang aktual yang sesuai
dengan hasil yang dibutuhkan.
Tabel 4.1 Format Kasus Uji[15]
Test ID
Descripti-
Expected Actual
on
Result
Result
Pada pengujian perangkat lunak, dilakukan pengujian pada Proses Pemeriksaan LJK dan Pengenalan Pola. Pengujian Pemeriksaan LJK dilakukan sebanyak 110 kali dengan 110 LJK. Dari 110 LJK, perangkat lunak pemeriksaan LJK silang mampu memeriksa 103 LJK dengan tepat sehingga persentase ketepatan pemeriksaan LJK sebesar 93.63%.
Pengujian Pada proses pengujian akurasi pengenalan pola dengan perceptron digunakan 45 data uji
pengenalan pola yang sudah terdapat pada LJK. Tabel hasil data uji pengenalan pola dapat dilihat sebagai
berikut.
Tabel 4.2 Hasil Data Uji Pengenalan Pola
Citra
Hasil Pengenalan
Kosong
Hasil yang Diharapkan
Kosong
Status
Tepat
Kosong
Kosong
Tepat
Kosong
Kosong
Tepat
Kosong
Kosong
Tepat
Kosong
Kosong
Tepat
Kosong
Kosong
Tepat
Kosong
Kosong
Tepat
Kosong
Kosong
Tepat
Kosong
Kosong
Tepat
Lingkaran
Lingkaran
Tepat
Lingkaran
Lingkaran
Tepat
Lingkaran
Lingkaran
Tepat
Lingkaran
Lingkaran
Tepat
Lingkaran
Lingkaran
Tepat
Centang
Lingkaran
Tidak Tepat
Lingkaran
Lingkaran
Tepat
Lingkaran
Lingkaran
Tepat
Lingkaran
Lingkaran
Tepat
Centang
Centang
Tepat
Lingkaran
Centang
Tidak Tepat
Centang
Centang
Tepat
Centang
Centang
Tepat
Centang
Centang
Tepat
Centang
Centang
Tepat
Centang
Centang
Tepat
Centang
Centang
Tepat
Centang
Centang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang Dicoret
Tidak Tepat
Silang
Silang Dicoret
Tidak Tepat
Silang Dicoret
Silang Dicoret
Tidak Tepat
Silang Dicoret
Silang Dicoret
Tepat
Silang Dicoret
Silang Dicoret
Tepat
Silang Dicoret
Silang Dicoret
Tepat
Silang Dicoret
Silang Dicoret
Tepat
Silang Dicoret
Silang Dicoret
Tepat
Silang Dicoret
Silang Dicoret
Tepat
Dapat dilihat pada tabel 4.2, bahwa terdapat 4 (empat) pola yang hasil pengenalan polanya tidak tepat. Persentase
pengenalan pola dihitung dengan jumlah pengenalan pola yang tepat dibagi dengan jumlah data uji dikalikan
dengan 100%. Dari hasil pengujian 41 pengenalan pola yang tepat sehingga didapatkan tingkat keakuratan 41 /
45 x 100% adalah 91.11%.
KESIMPULAN
Kesimpulan yang didapat dari penelitian adalah sebagai berikut:
1.
Perangkat lunak untuk pemeriksaan LJK yang dihasilkan, cukup akurat dengan persentase ketepatan
pemeriksaan 110 LJK yang diujikan sebesar 93.63% .
2.
Algoritma Perceptron dapat digunakan untuk mengenali 4 pola pada pemeriksaan LJK dan persentase
ketepatan pengenalan dari 45 pola data test adalah sebesar 91.11%.
DAFTAR PUSTAKA
[1]Achmad, Balza. dan Firdausy, Kartika. (2005). Teknik Pengolahan Citra Digital Menggunakan Delphi .
[2]Abdullah, Gafar Ade. (2011). Bab V Algoritma Pembelajaran Dalam Jaringan Syaraf Tiruan .
[3]Fahmi.(2007). Perancangan Algoritma Pengolahan Citra Mata Menjadi Citra Pola Iris Sebagai Bentuk Antara Sistem Biometrik.
[4]Gonzales. Rafael C. dan Woods. Richard E. (2008). Digital Image Processing Second Edition.
[5]Khardon, Roni and Wachman, Gabriel. (2007). Noise Tolerant Variants of the Perceptron Algorithm .
[6]Kusumadewi, Sri.(2004). Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB & Excel Link.
[7]Murty, Patnala S. R. Chandra, E. Sreenivasa Reddy and I. Ramesh Babu. (2009). “Iris Recognition System
Using Fractal Dimensions of Haar Pattern.
[8]Putra, Darma. (2009). Sistem Biometrika.
[9]Putra, Darma. (2010). Pengolahan Citra Digital
[10]Setiawan, Arif. Fitri, Diana Laily. dan Susanti, Nanik. (2010). Analisa Sistem Pengenalan Karakter Menggunakan Jaringan Syaraf Tiruan untuk Membaca Dokumen yang Rusak karena Banjir .
[11]Sunarto.(2011).”Metode Perceptron” .
[12]Sutoyo. T, dkk. (2009). Teori Pengolahan Citra Digital .
[13]Theodoridis,Sergios. (2006). Pattern Recognition, Third Edition.
[14]Wahidin. (2004). Aplikasi Algoritma Back-Propagation Multi Layer Perceptron pada Identifikasi Dinamika
Sistem Nonlinier .
[15]Williams, Laurie. 2006. Testing Overview and Black-Box Testing Techniques.
ILMU KOMPUTER
Volume 6 Nomor 1 April 2013
Daftar Isi :
HEALTH INFORMATICS : AN INTRODUCTION ................................................................... 1
I Made Agus Setiawan
PENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM
ARTIFICIAL BEE COLONY .................................................................................................... 10
I Made Widiartha
IMPLEMENTASI HIGH-AVAILABILITY VPN CLIENT PADA JARINGAN KOMPUTER
FAKULTAS HUKUM UNIVERSITAS UDAYANA................................................................ 17
Putu Topan Pribadi
ANALISIS PERBANDINGAN KINERJA ANTARA NETWORK FILE SYSTEM (NFS) DAN
PRIMARY DOMAIN CONTROLLER (PDC) SAMBA ........................................................... 25
Gede Wahyudi, Trisna Hanggara
ANALISIS IDENTIFIKASI POLA DAUN MENGGUNAKAN METODE CANNY, SOBEL,
PREWITT DAN ROBERTS ....................................................................................................... 35
I Ketut Gede Suhartana, Ida Ayu Dhyana Paramitha R.
ANALISIS DAN IMPLEMENTASI PEMERIKSAAN LEMBAR JAWABAN KOMPUTER
DENGAN ALGORITMA PERCEPTRON ................................................................................ 47
I Wayan Haris Apriyana, luh gede astuti, I Made Widiartha
JURUSAN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS UDAYANA
DENPASAR
SUSUNAN DEWAN REDAKSI JURNAL ILMU KOMPUTER
Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Udayana
Ketua
Agus Muliantara, S.Kom, M.Kom
Penyunting
Drs. Wayan Santiyasa, M.Si
Ngurah Agus Sanjaya, S.Kom, M.Kom
Cokorda Rai Adi Paramarta, S.T, M.M
Ida Bagus Gede Dwidasmara, S.Kom.M.Cs
Penyunting Tamu
Imas Sitanggang, S.Si, M.Kom (IPB)
Ir. A.A. Gede Raka Dalem, M.Sc (Hons)
Prof. Pieter Hartel (Twente University)
Pelaksana
I Made Widiartha, S.Si, M.Kom
Dra. Luh Gede Astuti, M.Kom
Gede Santi Astawa, ST, M.Cs
Ida Bagus Mahendra, S.Kom, M.Kom
Alamat Redaksi
Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Udayana
Kampus Bukit Jimbaran – Badung
Telpon. 0361 – 701805
Email : journal@cs.unud.ac.id
Website : www.cs.unud.ac.id
ISSN : 1979-5661
Jurnal Ilmu Komputer - Volume 6 - No 1 – April 2013
Darma Putra, Sistem Biometrika,
Penerbit ANDI, Yogyakarta, 2009
________ , Pengolahan Citra Digital,
Penerbit ANDI, Yogyakarta, 2010
Gonzales, R.C. dan R. E. Woods,
Digital Image Processing, Addisonesley
Publishing Company, 1992.
Marvin, W. dan A. Prijono, Pengolahan
Citra Digital Menggunakan
Matlab,Informatika,
Bandung,
2007.
menggunakan metode Canny. Hal
tersebut dapat dibuktikan dari besarnya
nilai koefisien korelasi yang dihasilkan.
6.2
Saran
Berdasarkan uji coba yang telah
dilaksanakan dapat disampaikan bahwa
aplikasi ini kemampuan metode deteksi
tepi sangat dipengaruhi oleh kualitas
citra/image yang digunakan, sehingga
pada saat proses perbaikan kualitas citra
perlu dilakukan percobaan dengan
menggunakan fungsi/metode yang lain.
Dan
juga
pengembangan
perlu
penelitian
diadakan
dengan
menggunakan metode deteksi tepi
lainnya. Dan penelitian ini dapat
dikembangkan untuk sistem pakar
pengenalan pola daun.
DAFTAR PUSTAKA
Ahmad, U., Pengolahan Citra Digital &
Teknik Pemrogramannya, Graha
Ilmu, 2005.
Anonim.2012.Daun
http://id.wikipedia.org/wiki/Daun.
Diakses tanggal 25
Maret 2012.
Anonim.2012.MATLAB
http://www.mikron123.com/index.php/Tut
orialMatlab/Tutorial-1-Mengenal- Matlab.html.
Diakses tanggal 28 Maret 2012
ISSN : 1979-5661
-46-
Analisis dan Implementasi Pemeriksaan Lembar Jawaban Komputer (LJK)
dengan Algoritma Perceptron
I Wayan Haris Apriyana, luh gede astuti, I Made Widiartha
Program Studi Teknik Informatika,
Jurusan Ilmu Komputer,
Fakultas Matematika Dan Ilmu Pengetahuan Alam,
Universitas Udayana
ABSTRAK
Citra adalah suatu fungsi kontinu dari intensitas cahaya dalam bidang dua dimensi. Informasi penting
yang terdapat pada citra dapat diolah dengan mengekstraksi citra tersebut dan dilakukan proses analisis dan
klasifikasi secara tepat memanfaatkan algoritma perhitungan komputer. Pemeriksaan Lembar Jawaban Komputer
(LJK) Silang merupakan salah satu kasus yang paling berpotensi digunakan dalam sistem pengolahan citra.
Keunikan dan kestabilan karakteristik pola yang terdapat dalam opsi jawaban LJK dapat digunakan sebagai
bahan pengenalan pola.
Pada penelitian ini dibangun perangkat lunak pemeriksaan LJK silang menggunakan pengenalan pola
pada opsi jawaban LJK dengan data bobot yang didapatkan dari pembelajaran algoritma Perceptron. Citra LJK
yang menjadi citra input akan diubah menjadi citra hitam putih melalui proses thresholding, lalu dicek
kemiringan LJK karena LJK harus tegak lurus. Kemudian dicari posisi masing-masing opsi jawaban tiap nomor
pada LJK. Proses mengekstraksi fitur citra tiap opsi jawaban LJK menggunakan metode transformasi Haar
Wavelet untuk menghasilkan kombinasi koefisien LL4, HL4, LH4, dan HH4 yang digunakan sebagai input pada
algoritma Perceptron.
Hasil penelitian yang diperoleh dari 110 kali pengujian LJK adalah perangkat lunak pemeriksaan LJK
silang mampu memeriksa 103 LJK yang nilainya sama dengan pemeriksaan secara manual, dan 7 LJK tidak
sesuai dengan pemeriksaan secara manual sehingga persentase ketepatan pemeriksaan LJK sebesar 93.63% dan
persentase pengenalan 45 pola sebesar 91.11%.
Kata Kunci : Pengolahan Citra, Transformasi Haar Wavelet, Algoritma Perceptron, Pemeriksaan Lembar
Jawaban Komputer Silang
1
Analysis and Implementation of Computer Answer Sheet Correction Using Perceptron Algorithm
I Wayan Haris Apriyana
Program Studi Teknik Informatika,
Jurusan Ilmu Komputer,
Fakultas Matematika Dan Ilmu Pengetahuan Alam,
Universitas Udayana
Email : haris.ais.uchiha@gmail.com , haris.ais@cs.unud.ac.id
ABSTRACT
Image is a continued function of light intensity in a two dimensional area. The essential information the
image has can be processed by extracting, analyzing and classifying it accurately using computer calculation
algorithm. Cross Computer Answer Sheet Correction is one of the cases which is highly potentially used in the
image processing system. The uniqueness and stability of the characteristics of the patterns of the options the
Computer Answer Sheet Correction has can be used as means of introducing the patterns.
In this study the soft copy of Cross Computer Answer Sheet Correction used the introduction of the
pattern the options the Computer Answer Sheet had in which the data weight was obtained from the Perceptron
algorithm learning. The image of the Computer Answer Sheet Correction, which was the input image, was
changed into the black and white image through thresholding process. Then the declivity of the Computer
Answer Sheet was checked as it should be upright. Then the position of each option of the answer to each item
on the Computer Answer Sheet was sought out. The features of the image of each option was extracted using
transformation method of Haar Wavelet in order to produce the combination of the coefficients of LL4, HL4,
LH4, and HH4 used as the input for the Perception algorithm.
The results obtained from the Computer Answer Sheet which was tested 110 times showed that the
softcopy of the cross Computer Answer Sheet could correct 103 Computer Answer Sheets whose scores were the
same as those obtained by manual correction, meaning that the percentage of the accuracy of the Computer
Answer Sheet correction was 93.63% and that percentage of the introduction of 45 patterns was 91.11%.
Keywords: Image Management, Haar Wavelet Transformation, Perceptron Algorithm, Corss Computer
Answer Sheet Correction
PENDAHULUAN
Salah satu contoh dari teknologi baru yang memiliki banyak kendala yaitu komputerisasi pemeriksaan
lembar jawaban komputer (LJK) yang menyulitkan pelajar sebagai pengguna dan operator komputer yang
memeriksa LJK karena mereka harus memperbaiki LJK yang tidak memenuhi standar pemeriksaan dengan
komputer. Padahal selain menggunakan LJK, masih terdapat cara penjawaban soal-soal ulangan yang telah
diketahui oleh masyarakat Indonesia, yaitu menjawab dengan cara silang pada pilihan ganda. Cara ini sangat
murah dan sangat mudah untuk dipraktekan oleh pelajar sebagai pengguna. Namun cara ini masih mempunyai
kelemahan pada saat pemeriksaan lembar jawabannya yang masih tradisional, yaitu dengan tenaga manusia.
Berdasarkan latar belakang di atas, maka hal tersebut akan diteliti dengan membangun teknologi yang mampu
memeriksa lembar jawaban silang menggunakan komputer. Cara ini dapat dilakukan dengan pengolahan citra
digital dan pengenalan pola.
Pengolahan citra digital digunakan karena inputan perangkat lunak ini berupa citra digital. Citra input
akan diperbaiki untuk meningkatkan kualitas citra. Pengenalan pola digunakan untuk memeriksa jawaban yang
diberikan pada lembar jawaban komputer apakah sesuai dengan ketentuan atau tidak. Ketentuan jawaban yang
benar adalah menggunakan tanda silang (X) pada pilihan jawaban. Teknik yang penulis gunakan dalam
membangun perangkat lunak ini adalah algoritma Perceptron karena algoritma tersebut dapat digunakan untuk
mengenali pola karakter yang menyerupai huruf alphabet yaitu membedakan karakter menyerupai huruf atau
pola tertentu atau tidak, seperti membedakan huruf “A“ dan bukan huruf lain[11].
MATERI
2.1
Operasi Batas Ambang Tunggal
Pada operasi ini nilai piksel yang memenuhi syarat ambang batas tunggal dipetakan ke suatu nilai yang
dikehendaki. Operasi ambang batas tunggal menurut Achmad dan Firdausy[1] mempunyai ketentuan berikut:
0
Ki < ambang
255
Ki > ambang
Ko =
Misalkan citra yang memiliki tingkat keabuan 256, yang dipetakan menjadi citra biner menggunakan fungsi
transformasi sebagai berikut.
0
Ki < 128
255
Ki > 128
Ko =
Hasilnya, piksel-piksel yang nilai internsitasnya di bawah 128 diubah menjadi hitam (nilai intensitas = 0),
sedangkan piksel-piksel yang nilai intensitasnya di atas 128 diubah menjadi putih (nilai intensitas = 255).
2.2
Operasi Pemotongan
Operasi pemotongan adalah pengolahan citra dengan kegiatan memotong satu bagian dari citra. Sebuah
citra dipotong sebesar WxH. Titik (x1,y1) dan (x2,y2) adalah koordinat titik pojok kiri atas dan pojok kanan bawah
citra yang akan dipotong. Rumus yang digunakan adalah:
W = x2 – x1 dan H = y2 – y1
Operasi pemotongan digunakan pada saat mengambil opsi jawaban yang terdapat pada LJK.
2.3
Transformasi Haar Wavelet
Transformasi wavelet merupakan sebuah fungsi konversi yang dapat digunakan untuk membagi suatu fungsi atau
sinyal ke dalam komponen frekuensi yang berbeda, yang selanjutnya komponen-komponen tersebut dapat
dipelajari sesuai dengan skalanya. Salah satu jenis transformasi wavelet adalah Haar. Haar adalah wavelet paling
tua dan paling sederhana, diperkenalkan oleh Alfred Haar pada tahun 1909. Konsep transformasi Haar wavelet
pada suatu citra adalah membagi (dekomposisi) suatu citra menjadi empat sub-image. Pertama kali dilakukan
dekomposisi secara horizontal terhadap baris. Kemudian dilakukan dekomposisi secara vertikal terhadap kolom.
Pada setiap level, proses dekomposisi hanya dilakukan pada bagian hasil proses perataan dan hasil proses
dekomposisi adalah gabungan dari proses perataan dengan seluruh hasil proses pengurangan.
Dalam transformasi wavelet, terdapat koefisien transformasi yang berpasangan yakni
koefisien ini disebut lowpass filter dan highpass filter. Koefisien
Sedangkan
berkaitan dengan proses pengurangan. Koefisien
dan
. Pasangan
berkaitan dengan proses perataan.
dan
pada transformasi Haar wavelet
adalah sebagai berikut[9] :
(2.1)
(2.2)
Transformasi Wavelet 2D 1 level
Gambar 2.1 Transformasi Wavelet[9]
Hasil transformasi terdiri dari sub-image yang telah dilalui high pass filter pada arah horizontal dan
vertikal (HH), sub-image yang telah dilalui high pass filter pada arah horizontal dan low pass filter pada arah
vertikal (HL), sub-image yang telah dilalui low pass filter pada arah horizontal dan high pass filter pada arah
vertikal (LH), serta sub-image yang telah dilalui low pass filter pada arah horizontal dan vertikal (LL). Bagian
LL sering disebut komponen aproksimasi. Sedangkan bagian HL, LH, dan HH disebut juga komponen detil[9].
Gambar 2.2 Skema Hasil Transformasi Wavelet 2D 1 level[9]
2.4
Algoritma Perceptron
Pada dasarnya, perceptron pada jaringan syaraf tiruan dengan satu lapisan memiliki bobot yang bisa diatur dan
suatu nilai ambang (threshold). Algoritma yang digunakan oleh aturan ini akan mengatur parameter-parameter
bebasnya melalui proses pembelajaran. Nilai threshold (Ө) pada fungsi aktivasi adalah non negatif. Fungsi
aktivasi ini dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah negatif.
Gambar 2.3 Pembatasan Linier Perceptron[6]
Daerah positif memiliki pertidaksamaan :
w1x1 + w2x2 + b > Ө
(2.3)
Sedangkan daerah negatif memiliki pertidaksamaan :
w1x1 + w2x2 + b < - Ө
(2.4)
Besarnya perubahan bobot yang terjadi pada setiap iterasi menurut Theodoridis (2006) adalah :
n
w t+1 =w t t i . x i
i=0
Dengan : = learning rate,
= error ( = f(yin) – target), x = input,
(2.5)
w = bobot,i = data, i = 1,2,...,n, w(t+1) = bobot akhir, w(t) = bobot sebelumnya, f(yin) = aktivasi output, dan
target = target pola.
Perceptron terdiri atas beberapa unit masukan ditambah bias dan unit keluaran, merupakan model
pelatihan terawasi (supervised) dan fungsi aktivasi bipolar yaitu
HASIL PENELITIAN.
Data Flow Diagram.
Data Flow Diagram adalah "Suatu gambaran yang menjelaskan begaimana menggambarkan atau membuat model komponen sistem". Berikut adalah diagram konteks
Gambar 3.1 Diagram Konteks
dan DFD level 0 perangkat lunak Pemeriksaan LJK Silang
Gambar 3.2 DFD Level 0
Metode blackbox testing mengarahkan pengujian untuk menemukan kesalahan-kesalahan fungsionalitas
dari perangkat lunak dan memastikan bahwa input yang dibatasi akan memberikan hasil yang aktual yang sesuai
dengan hasil yang dibutuhkan.
Tabel 4.1 Format Kasus Uji[15]
Test ID
Descripti-
Expected Actual
on
Result
Result
Pada pengujian perangkat lunak, dilakukan pengujian pada Proses Pemeriksaan LJK dan Pengenalan Pola. Pengujian Pemeriksaan LJK dilakukan sebanyak 110 kali dengan 110 LJK. Dari 110 LJK, perangkat lunak pemeriksaan LJK silang mampu memeriksa 103 LJK dengan tepat sehingga persentase ketepatan pemeriksaan LJK sebesar 93.63%.
Pengujian Pada proses pengujian akurasi pengenalan pola dengan perceptron digunakan 45 data uji
pengenalan pola yang sudah terdapat pada LJK. Tabel hasil data uji pengenalan pola dapat dilihat sebagai
berikut.
Tabel 4.2 Hasil Data Uji Pengenalan Pola
Citra
Hasil Pengenalan
Kosong
Hasil yang Diharapkan
Kosong
Status
Tepat
Kosong
Kosong
Tepat
Kosong
Kosong
Tepat
Kosong
Kosong
Tepat
Kosong
Kosong
Tepat
Kosong
Kosong
Tepat
Kosong
Kosong
Tepat
Kosong
Kosong
Tepat
Kosong
Kosong
Tepat
Lingkaran
Lingkaran
Tepat
Lingkaran
Lingkaran
Tepat
Lingkaran
Lingkaran
Tepat
Lingkaran
Lingkaran
Tepat
Lingkaran
Lingkaran
Tepat
Centang
Lingkaran
Tidak Tepat
Lingkaran
Lingkaran
Tepat
Lingkaran
Lingkaran
Tepat
Lingkaran
Lingkaran
Tepat
Centang
Centang
Tepat
Lingkaran
Centang
Tidak Tepat
Centang
Centang
Tepat
Centang
Centang
Tepat
Centang
Centang
Tepat
Centang
Centang
Tepat
Centang
Centang
Tepat
Centang
Centang
Tepat
Centang
Centang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang
Tepat
Silang
Silang Dicoret
Tidak Tepat
Silang
Silang Dicoret
Tidak Tepat
Silang Dicoret
Silang Dicoret
Tidak Tepat
Silang Dicoret
Silang Dicoret
Tepat
Silang Dicoret
Silang Dicoret
Tepat
Silang Dicoret
Silang Dicoret
Tepat
Silang Dicoret
Silang Dicoret
Tepat
Silang Dicoret
Silang Dicoret
Tepat
Silang Dicoret
Silang Dicoret
Tepat
Dapat dilihat pada tabel 4.2, bahwa terdapat 4 (empat) pola yang hasil pengenalan polanya tidak tepat. Persentase
pengenalan pola dihitung dengan jumlah pengenalan pola yang tepat dibagi dengan jumlah data uji dikalikan
dengan 100%. Dari hasil pengujian 41 pengenalan pola yang tepat sehingga didapatkan tingkat keakuratan 41 /
45 x 100% adalah 91.11%.
KESIMPULAN
Kesimpulan yang didapat dari penelitian adalah sebagai berikut:
1.
Perangkat lunak untuk pemeriksaan LJK yang dihasilkan, cukup akurat dengan persentase ketepatan
pemeriksaan 110 LJK yang diujikan sebesar 93.63% .
2.
Algoritma Perceptron dapat digunakan untuk mengenali 4 pola pada pemeriksaan LJK dan persentase
ketepatan pengenalan dari 45 pola data test adalah sebesar 91.11%.
DAFTAR PUSTAKA
[1]Achmad, Balza. dan Firdausy, Kartika. (2005). Teknik Pengolahan Citra Digital Menggunakan Delphi .
[2]Abdullah, Gafar Ade. (2011). Bab V Algoritma Pembelajaran Dalam Jaringan Syaraf Tiruan .
[3]Fahmi.(2007). Perancangan Algoritma Pengolahan Citra Mata Menjadi Citra Pola Iris Sebagai Bentuk Antara Sistem Biometrik.
[4]Gonzales. Rafael C. dan Woods. Richard E. (2008). Digital Image Processing Second Edition.
[5]Khardon, Roni and Wachman, Gabriel. (2007). Noise Tolerant Variants of the Perceptron Algorithm .
[6]Kusumadewi, Sri.(2004). Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB & Excel Link.
[7]Murty, Patnala S. R. Chandra, E. Sreenivasa Reddy and I. Ramesh Babu. (2009). “Iris Recognition System
Using Fractal Dimensions of Haar Pattern.
[8]Putra, Darma. (2009). Sistem Biometrika.
[9]Putra, Darma. (2010). Pengolahan Citra Digital
[10]Setiawan, Arif. Fitri, Diana Laily. dan Susanti, Nanik. (2010). Analisa Sistem Pengenalan Karakter Menggunakan Jaringan Syaraf Tiruan untuk Membaca Dokumen yang Rusak karena Banjir .
[11]Sunarto.(2011).”Metode Perceptron” .
[12]Sutoyo. T, dkk. (2009). Teori Pengolahan Citra Digital .
[13]Theodoridis,Sergios. (2006). Pattern Recognition, Third Edition.
[14]Wahidin. (2004). Aplikasi Algoritma Back-Propagation Multi Layer Perceptron pada Identifikasi Dinamika
Sistem Nonlinier .
[15]Williams, Laurie. 2006. Testing Overview and Black-Box Testing Techniques.