Institutional Repository | Satya Wacana Christian University: Alih Aksara Jawa Menjadi Huruf Latin Berdasarkan Metode Template Matching T1 612007009 BAB II
BAB II
LANDASAN TEORI
Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem
pengalih aksara Jawa menjadi aksara latin, meliputi cropping citra, konversi citra RGB ke
biner, median filter dan metode template matching sebagai klasifikator.
2.1 Aksara Jawa
Aksara Jawa diadopsi dari aksara kawi yang berkembang di Pulau Jawa pada masa
Hindu-Budha. Pada abad ke 17 aksara Jawa mengalami perubahan menjadi aksara Jawa
seperti yang dikenal saat ini. Aksara Jawa terdiri dari 20 aksara dasar yang disebut aksara
nglenggana atau yang lebih dikenal dengan hanacaraka. Pengubahan bentuk vokal pada
aksara Jawa menjadi i, u, e, é dan o dilakukan dengan menambahkan sandhangan.
Pembentukan huruf konsonan pada aksara Jawa dilakukan dengan menambahkan pangkon,
sesigeg atau memberikan pasangan pada sebuah aksara. Aksara Jawa juga mengenal sistem
angka (wilangan) dan huruf besar atau biasa disebut aksara murdha.
(a)
(b)
(c)
Gambar 2.1. (a) Aksara Nglenggana.(b) Pasangan (c) Sandhangan
4
2.2 Cropping
Cropping yang dilakukan bertujuan untuk menghilangkan atau menghapus objek yang
tidak diperlukan serta mengubah aspek rasio [5]. Cropping dilakukan pada citra yang telah
digitalisasi. Hasil pemotongan citra ini kemudian disimpan sebagai dataset dalam pengenalan
aksara Jawa nantinya.
2.3 Konversi RGB ke Biner
Citra digitalisasi berupa citra RGB. Untuk menyederhanakan proses komputasi
dilakukan pengubahan citra dari RGB menjadi biner. Pengubahan citra RGB menjadi biner
diawali dengan mengubah citra RGB menjadi bentuk grayscale terlebih dahulu. Pengubahan
citra menjadi bentuk grayscale dilakukan dengan cara merata-rata nilai komponen R, G dan
B pada citra sesuai dengan persaman 1.
(1)
X=
Setelah citra menjadi bentuk grayscale (X), pengubahan menjadi citra biner dilakukan
dengan memberikan sebuah nilai batas. Pada matlab nilai ambang yang digunakan sebesar
0,5. Bila pixel pada citra grayscale memiliki nilai keabuan lebih besar dari pada nilai batas
tersebut akan disimbolkan dengan 1 dan sebaliknya bila lebih kecil akan diset dengan 0 [6].
2.4 Median Filter
Pada citra hasil konversi RGB ke biner terdapat noise berupa bercak-bercak hitam.
Untuk menghilangkan noise tersebut dilakukan penapisan menggunakan median filter.
Median filter merupakan sebuah metode yang menitikberatkan pada penggunaan median atau
nilai tengah dari sejumlah kumpulan pixel yang bertetanggaan[7].
5
0
0
0
0
1
0
0
0
0
0
0
0
(a)
0
0
0
0
0
1
(b)
0
0
0
0
0
0
0
0
0
(c)
Gambar 2.2 (a) Nilai pixel citra masukan. (b) Proses pengurutan nilai
pixel dengan median filter (c) Nilai pixel baru hasil median filter
2.5 Proyeksi Vertikal
Proyeksi vertikal adalah banyaknya pixel hitam yang tegak lurus dengan sumbu y.
Proyeksi vertikal bekerja dengan menjumlah nilai tiap pixel yang berada pada satu baris
horizontal sehingga nantinya akan menghasilkan sebuah matriks kolom [8]. Matriks kolom
yang dihasilkan selanjutnya akan dibandingkan dengan nilai tb, dimana tb merupakan nilai
ambang batas baris. Bila nilai tersebut lebih besar dari tb akan diset 0. Keluaran dari
pembandingan dengan tb akan dijadikan acuan sebagai penentuan pada pixel berapa sebuah
baris akan berawal dan berakhir. Setelah batasan baris awal dan berakhir ditemukan, akan
dilanjutkan dengan pengurangan nilai awal (a) dengan sebuah nilai offset dan penambahan
nilai akhir (b) dengan nilai offset. Nilai offset untuk penambahan a dan b berbeda.
2.6 Template Matching
Template matching didefinisikan sebagai suatu proses untuk menemukan objek /
bagian yang diinginkan (cocok) dalam suatu citra dengan mencari nilai korelasi tertinggi
antara citra dengan template yang ada [9]. Nilai korelasi dicari dengan menggunakan rumus:
r (x,y)=
∑
√∑
(2)
∑
dengan r (x,y)= nilai korelasi pada koordinat (x,y)
f(x,y)= citra uji
w(x-u,y-v)= citra dataset template
ḟ (u,v) = mean citra uji yang berda dalam daerah template
ῶ = mean dataset template
6
Bila nilai korelasi tersebut besarnya mendekati atau sama dengan 1 maka menunjukan
bahwa aksara yang berada dalam citra uji sama dengan citra yang berada di dalam dataset,
sedangkan bila nilai korelasi memiliki nilai mendekati 0 atau sama dengan 0 berarti citra
dalam dataset dengan citra uji berbeda.
7
LANDASAN TEORI
Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem
pengalih aksara Jawa menjadi aksara latin, meliputi cropping citra, konversi citra RGB ke
biner, median filter dan metode template matching sebagai klasifikator.
2.1 Aksara Jawa
Aksara Jawa diadopsi dari aksara kawi yang berkembang di Pulau Jawa pada masa
Hindu-Budha. Pada abad ke 17 aksara Jawa mengalami perubahan menjadi aksara Jawa
seperti yang dikenal saat ini. Aksara Jawa terdiri dari 20 aksara dasar yang disebut aksara
nglenggana atau yang lebih dikenal dengan hanacaraka. Pengubahan bentuk vokal pada
aksara Jawa menjadi i, u, e, é dan o dilakukan dengan menambahkan sandhangan.
Pembentukan huruf konsonan pada aksara Jawa dilakukan dengan menambahkan pangkon,
sesigeg atau memberikan pasangan pada sebuah aksara. Aksara Jawa juga mengenal sistem
angka (wilangan) dan huruf besar atau biasa disebut aksara murdha.
(a)
(b)
(c)
Gambar 2.1. (a) Aksara Nglenggana.(b) Pasangan (c) Sandhangan
4
2.2 Cropping
Cropping yang dilakukan bertujuan untuk menghilangkan atau menghapus objek yang
tidak diperlukan serta mengubah aspek rasio [5]. Cropping dilakukan pada citra yang telah
digitalisasi. Hasil pemotongan citra ini kemudian disimpan sebagai dataset dalam pengenalan
aksara Jawa nantinya.
2.3 Konversi RGB ke Biner
Citra digitalisasi berupa citra RGB. Untuk menyederhanakan proses komputasi
dilakukan pengubahan citra dari RGB menjadi biner. Pengubahan citra RGB menjadi biner
diawali dengan mengubah citra RGB menjadi bentuk grayscale terlebih dahulu. Pengubahan
citra menjadi bentuk grayscale dilakukan dengan cara merata-rata nilai komponen R, G dan
B pada citra sesuai dengan persaman 1.
(1)
X=
Setelah citra menjadi bentuk grayscale (X), pengubahan menjadi citra biner dilakukan
dengan memberikan sebuah nilai batas. Pada matlab nilai ambang yang digunakan sebesar
0,5. Bila pixel pada citra grayscale memiliki nilai keabuan lebih besar dari pada nilai batas
tersebut akan disimbolkan dengan 1 dan sebaliknya bila lebih kecil akan diset dengan 0 [6].
2.4 Median Filter
Pada citra hasil konversi RGB ke biner terdapat noise berupa bercak-bercak hitam.
Untuk menghilangkan noise tersebut dilakukan penapisan menggunakan median filter.
Median filter merupakan sebuah metode yang menitikberatkan pada penggunaan median atau
nilai tengah dari sejumlah kumpulan pixel yang bertetanggaan[7].
5
0
0
0
0
1
0
0
0
0
0
0
0
(a)
0
0
0
0
0
1
(b)
0
0
0
0
0
0
0
0
0
(c)
Gambar 2.2 (a) Nilai pixel citra masukan. (b) Proses pengurutan nilai
pixel dengan median filter (c) Nilai pixel baru hasil median filter
2.5 Proyeksi Vertikal
Proyeksi vertikal adalah banyaknya pixel hitam yang tegak lurus dengan sumbu y.
Proyeksi vertikal bekerja dengan menjumlah nilai tiap pixel yang berada pada satu baris
horizontal sehingga nantinya akan menghasilkan sebuah matriks kolom [8]. Matriks kolom
yang dihasilkan selanjutnya akan dibandingkan dengan nilai tb, dimana tb merupakan nilai
ambang batas baris. Bila nilai tersebut lebih besar dari tb akan diset 0. Keluaran dari
pembandingan dengan tb akan dijadikan acuan sebagai penentuan pada pixel berapa sebuah
baris akan berawal dan berakhir. Setelah batasan baris awal dan berakhir ditemukan, akan
dilanjutkan dengan pengurangan nilai awal (a) dengan sebuah nilai offset dan penambahan
nilai akhir (b) dengan nilai offset. Nilai offset untuk penambahan a dan b berbeda.
2.6 Template Matching
Template matching didefinisikan sebagai suatu proses untuk menemukan objek /
bagian yang diinginkan (cocok) dalam suatu citra dengan mencari nilai korelasi tertinggi
antara citra dengan template yang ada [9]. Nilai korelasi dicari dengan menggunakan rumus:
r (x,y)=
∑
√∑
(2)
∑
dengan r (x,y)= nilai korelasi pada koordinat (x,y)
f(x,y)= citra uji
w(x-u,y-v)= citra dataset template
ḟ (u,v) = mean citra uji yang berda dalam daerah template
ῶ = mean dataset template
6
Bila nilai korelasi tersebut besarnya mendekati atau sama dengan 1 maka menunjukan
bahwa aksara yang berada dalam citra uji sama dengan citra yang berada di dalam dataset,
sedangkan bila nilai korelasi memiliki nilai mendekati 0 atau sama dengan 0 berarti citra
dalam dataset dengan citra uji berbeda.
7