ALIH AKSARA SUNDA TULISAN TANGAN ...repository.usd.ac.id/35194/2/155314062_full.pdfALIH AKSARA SUNDA TULISAN TANGAN MENGGUNAKAN METODE EKSTRAKSI CIRI FREEMAN CHAIN CODE (FCC) DAN METODE

ALIH AKSARA SUNDA TULISAN TANGAN MENGGUNAKAN

METODE EKSTRAKSI CIRI FREEMAN CHAIN CODE (FCC) DAN

METODE KLASIFIKASI K-NEAREST NEIGHBOR(KNN)

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh

Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh :

Jeri Ferdiano

155314062

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2019

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

i

CHARACTER RECOGNITION OF SUNDA HANDWRITING LITERACY

USING FEATURE EXTRACTION METHODS FREEMAN CHAIN CODE

(FCC) AND CLASSIFICATION METHOD K-NEAREST NEIGHBOR

(KNN)

THESIS

Submitted in Partial Fulfillment of The Requirements

for The Degree of Sarjana Komputer

In Informatics Engineering Study Program

By :

Jeri Ferdiano

155314062

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2019


ii

HALAMAN PERSETUJUAN

SKRIPSI

ALIH AKSARA SUNDA TULISAN TANGAN MENGGUNAKAN METODE

EKSTRAKSI CIRI FREEMAN CHAIN CODE (FCC) DAN METODE

KLASIFIKASI K-NEAREST NEIGHBOR(KNN)

Oleh:

Jeri Ferdiano

155314062

Telah Disetujui Oleh:

Dosen Pembimbing

Dr. Anastasia Rita Widiarti Tanggal: Juli 2019


iii

HALAMAN PENGESAHAN

SKRIPSI




Dipersiapkan dan disusun oleh:

JERI FERDIANO

NIM : 155314062

Telah dipertahankan di depan Panitia Penguji

pada tanggal 8 Juli 2019

dan dinyatakan telah memenuhi syarat

Susunan Panitia Penguji

Nama Lengkap Tanda

Tangan

Ketua

:

Puspaningtyas Sanjoyo Adi, S.T., M.T

.................

.......

Sekretaris

:

Robertus Adi Nugroho S.T., M.Eng.

.................

.......

Anggota I

:

Dr. Anastasia Rita Widiarti

.................

.......

Yogyakarta,

Fakultas Sains dan Teknologi

Universitas Sanata Dharma

Dekan

Sudi Mungkasi, S.Si, M.Math.sc., Ph.d


iv

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa tugas akhir yang saya tulis tidak

mengandung atau memuat hasil karya orang lain, kecuali yang telah disebutkan

dalam daftar pustaka dan kutipan selayaknya karya ilmiah.

Yogyakarta, 12 Juni 2019

Penulis

Jeri Ferdiano


v

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan dibawah ini, saya mahasiswa Universitas Sanata Dharma:

Nama : Jeri Ferdiano

NIM : 155314062

Demi pengembangan ilmu pengetahuan, saya memberikan kepada perpustakaan

Universitas Sanata Dharma karya ilmiah yang berjudul:




beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan

kepada perpustakaan Universitas Sanata Dharma hak untuk menyimpan,

mengaluhkan dalam bentuk media lain, mengelolanya dalam bentuk pangkalan

data, mendistribusikan secara terbatas dan mempublikasikan di internet atau media

lain untuk kepentingan akademis tanpa perlu meminta izin dari saya maupun

memberikan royalti kepada saya selama tetap mencantumkan nama saya sebagai

penulis.

Demikian pernyataan ini saya buat dengan sebenarnya


Penulis

Jeri Ferdiano


vi

ABSTRAK

Pada zaman ini banyak masyarakat yang kurang mengerti akan aksara

sunda, sementara itu dokumen – dokumen kuno sangat banyak mengandung

penjelasan tentang budaya – budaya yang ada. Oleh sebab itu diperlukan suatu

perangkat lunak yang bisa memproses masukan dalam bentuk citra aksara sunda

menjadi aksara latin, guna membantu masyarakat untuk belajar aksara sunda.

Tahap awal dalam penelitian ini adalah akuisisi data. Gambar aksara Sunda

diperoleh dari responden yang mengisi angket pengumpulan data, lalu discan

untuk selanjutnya di-crop dan menjadi data. Tahap berikutnya adalah

Preprocessing dengan tahapan binerisasi, reduksi noise, deteksi tepi dan profil

proyeksi. Data yang siap diolah kemudian diekstraksi ciri Freeman Chain Code

(FCC)-nya lalu akan dibawa ke tahap klasifikasi dengan algoritma klasifikasi

adalah k-nearest neighbor (K-NN). Adapun jumlah data yang digunakan adalah

30 dataset yang setiap set terdiri dari 25 jenis aksara.

Tahap berikutnya adalah evaluasi, yaitu pengujian akurasi sistem dalam

melakukan klasifikasi. Berdasarkan penelitian yang dilakukan, akurasi sistem

dalam melakukan klasifikasi adalah sebesar 93.6 % dengan menggunakan ciri

FCC normalisasi 232 dan dengan nilai K=1.

Kata kunci: pemrosesan citra, pengenalan pola, Freeman Chain Code

(FCC), K-Nearest Neighbor (K-NN).


vii

ABSTRACT

Nowadays, many people do not understand Sundanese alphabet, while

ancient documents contain many explanations about culture. Therefore, it is

necessary that the software can process the input in the form of Sundanese

alphabet into the Latin alphabet, to help the community learn the Sundanese

alphabet.

The initial stage in this study was data acquisition. Sundanese alphabet

images retrieved from respondents who filled in data collection, then scanned

for further crops and became data. The next stage is preprocessing with the

stages of binerization, noise reduction, edge detection and projection profile.

Data that is ready for processing and then extracted features from the Freeman

chain Code (FCC) will then be taken to the classification phase with the nearest

K-neighbor classification algorithm (K-NN). The amount of data used is 30

datasets that each set consists of 25 different types of characters.

The next stage is evaluation, which tests the accuracy of the system in

classification. Based on the research done, the accuracy of the system in the

classification is 93.6% by using the normalization of FCC 232 features and with

the value K = 1.

Keywords: image processing, pattern recognition, Freeman chain code

(FCC), K-Nearest neighbor (K-NN).


viii

LEMBAR PERSEMBAHAN

Dalam kesempatan ini penulis ingin mengucapkan terimakasih kepada

semua pihak yang telah memberikan bantuan, motivasi, dan dukungan baik secara

mental maupun fisik, serta doa dalam menyelesaikan tugas akhir ini. Dengan

kerendahan hati, penulis mengucapkan terimakasih kepada :

1. Allah SWT, yang telah memberikan rahmat dan karuniaNya kepada penulis.

2. Orang tua dan keluarga yang selalu memberikan bantuan dan doa sehingga

selalu meningkatkan motivasi penulis.

3. Ibu Dr. Anastasia Rita Widiarti, M.Kom selaku dosen pembimbing tugas

akhir yang telah bersedia meluangkan waktu dan tenaganya untuk

memberikan arahan, masukan serta motivasi kepada penulis.

4. Bapak Sudi Mungkasi, S.Si., M.Math.Sc.,Ph.D. selaku dekan Fakultas Sains

dan Teknologi.

5. Seluruh dosen Teknik Informatika Universitas Sanata Dharma yang telah

mendidik dan memberikan ilmu pengetahuan yang digunakan penulis di

tugas akhir ini.

6. Teman – teman yang telah membantu untuk mengisi angket pengumpulan

data. Tanpa bantuan kalian saya tidak akan bisa menyelesaikan tugass akhir

ini.

7. Saudara Jan William Sianturi dan saudara Tubagus Rendy yang telah

meluangkan waktu dan tenaga untuk menemani penulis sebagai tempat

bertukar pikiran dalam pengerjaan tugas akhir ini.

8. Saudara Ignasius Gayoh , saudara Andreas Kevin, saudari Fellia Febriani,

saudari Debora, saudari Maria Damayanti dan saudari Ruth Hanseliani yang

telah memberikan motivasi untuk selalu mengerjakan tugas akhir secara

teratur.

9. Kelompok “Tempe Benguk” yang selalu menghibur selama pengerjaan

tugas akhir ini.


ix

10. Teman – teman dari seluruh keluarga Teknik Informatika Universitas

Sanata Dharma yang selalu meberikan hiburan dan semangat untuk penulis

menyelesaikan tugas akhir ini.


x

KATA PENGANTAR

Segala puji syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas

rahmat dan karunia-Nya serta petunjuk-petunjuk yang diberikan sehingga penulis

dapat menyelesaikan Tugas Akhir ini dengan baik. Adapun tugas akhir ini disusun

sebagai salah satu syarat kelulusan pada Program Sarjana Teknik Informatika

Universitas Sanata Dharma, Yogyakarta. Pada tugas akhir ini dianalisis algoritma

berbasis chain code dalam mengekstraksi ciri tulisan tangan aksara sunda. Metode

penelusuran pixel objek dan menuliskan nilai arah transisinya ini diharapkan dapat

memberikan hasil pengenalan yang baik. Penulis berharap semoga tugas akhir yang

berjudul “ Alih Aksara Sunda Tulisan Tangan Menggunakan Metode Ekstraksi Ciri

Freeman Chain Code (FCC) Dan Metode Klasifikasi K-Nearest Neighbor(KNN)”

.


Penulis

Jeri Ferdiano


xi

DAFTAR ISI

CHARACTER RECOGNITION OF SUNDA HANDWRITING LITERACY

USING FEATURE EXTRACTION METHODS FREEMAN CHAIN CODE

(FCC) AND CLASSIFICATION METHOD K-NEAREST NEIGHBOR (KNN) . i

HALAMAN PERSETUJUAN ................................................................................ ii

HALAMAN PENGESAHAN ................................................................................ iii

PERNYATAAN KEASLIAN KARYA ................................................................ iv

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS ............................................................... v

ABSTRAK ............................................................................................................. vi

ABSTRACT .......................................................................................................... vii

LEMBAR PERSEMBAHAN .............................................................................. viii

KATA PENGANTAR ............................................................................................ x

DAFTAR ISI .......................................................................................................... xi

DAFTAR GAMBAR ........................................................................................... xiii

DAFTAR TABEL ................................................................................................. xv

BAB I ...................................................................................................................... 1

1.1. Latar Belakang.......................................................................................... 1

1.2. Rumusan Masalah .................................................................................... 2

1.3. Tujuan Penelitian ...................................................................................... 2

1.4. Manfaat Penelitian .................................................................................... 2

1.5. Batasan Masalah ....................................................................................... 2

1.6. Metodelogi Penelitian ............................................................................... 2

1.7. Sistematika Penulisan ............................................................................... 3

BAB II ..................................................................................................................... 5

2.1. Pengenalan Pola........................................................................................ 5

2.2. K-Nearest Neighbor.................................................................................. 7

Kelebihan dari algoritma K-Nearest Neighbor: ............................................... 8

Kekurangan dari algoritma K-Nearest Neighbor: ............................................ 8

2.3. Freeman Chain Code (FCC) .................................................................... 8

2.4. Normalisasi Freeman Chain Code (FCC) ................................................ 9

2.5. Aksara Sunda .......................................................................................... 10

2.4.1. Aksara Sora ..................................................................................... 10


xii

2.4.2. Aksara Ngalagena ........................................................................... 10

2.4.3. Rarangken ....................................................................................... 11

2.4.4. Aksara Angka .................................................................................. 12

2.6. K-fold Cross Validation .......................................................................... 12

2.7. Precision ................................................................................................. 13

BAB III.................................................................................................................. 14

3.1. Data......................................................................................................... 14

3.2. Kebutuhan Sistem ................................................................................... 15

3.2.1. Perangkat Keras (Hardware) .......................................................... 15

3.2.2. Perangkat Lunak (Software) ............................................................ 15

3.3. Perancangan Alat Uji .............................................................................. 16

3.3.1. Prepocessing ................................................................................... 17

3.3.2. Ekstraksi Ciri ................................................................................... 20

3.3.3. Perhitungan Jarak ............................................................................ 28

3.3.4. Klasifikasi ....................................................................................... 29

3.4. Pengujian ................................................................................................ 29

BAB IV ................................................................................................................. 31

4.1. Akuisisi Data .......................................................................................... 31

4.2. Preprocessing .......................................................................................... 32

4.3. Ekstraksi Ciri .......................................................................................... 34

4.4. Implementasi Pembuatan Dataset........................................................... 38

4.5. Klasifikasi ............................................................................................... 38

4.6. Analisa .................................................................................................... 39

BAB V ................................................................................................................... 47

5.1. KESIMPULAN ...................................................................................... 47

5.2. SARAN................................................................................................... 48

DAFTAR PUSTAKA ........................................................................................... 49

LAMPIRAN .......................................................................................................... 51


xiii

DAFTAR GAMBAR

Gambar 2. 1 Arah Chaincode ................................................................................... 9

Gambar 2. 2 Aksara Sora ....................................................................................... 10

Gambar 2. 3 Aksara Ngalagena ............................................................................. 10

Gambar 2. 4Rarangken Diatas Huruf ..................................................................... 11

Gambar 2. 5Rarangken Dibawah Huruf................................................................. 11

Gambar 2. 6 Rarangken Dibawah Huruf................................................................ 12

Gambar 2. 7Aksara Angka ..................................................................................... 12

Gambar 2. 8Ilustrasi k-fold cross validation .......................................................... 12

Gambar 3. 1 Angket Pengumpulan Data................................................................ 14

Gambar 3. 2 Diagram Blok .................................................................................... 16

Gambar 3. 3 Diagram Blok PreProcesing .............................................................. 17

Gambar 3. 4 Diagram Blok Ekstraksi Ciri ............................................................. 20

Gambar 3. 5 Pehitungan Chain Code ..................................................................... 25

Gambar 3. 6 Normalisasi Iterasi-1 ......................................................................... 26



Gambar 4. 1 Contoh Pengisian Angket oleh Repsonden .................................................. 31

Gambar 4. 2 Hasil Crop Aksara Tulisan Tangan .............................................................. 31

Gambar 4. 3 Hasil Baca Data Aksara ............................................................................... 32

Gambar 4. 4 Hasil Binerisasi Citra ................................................................................... 32

Gambar 4. 5 Hasil Reduksi Noise .................................................................................... 33

Gambar 4. 6 Deteksi tepi citra .......................................................................................... 33

Gambar 4. 7 Hasil Crop citra pada variabel gambar ......................................................... 34

Gambar 4. 8 Titik start pencarian FCC ............................................................................ 34

Gambar 4. 9 Hasil Pencarian FCC Pertama...................................................................... 35

Gambar 4. 10 Hasil Final Pencarian FCC ........................................................................ 35

Gambar 4. 11 Jumlah Kode Pembentuk Horizontal ......................................................... 36


xiv

Gambar 4. 12 Jumlah Kode Pembentuk Vertikal ............................................................. 36

Gambar 4. 13 Jumlah Kode Pembetuk Miring ................................................................. 36

Gambar 4. 14 Jumlah Kode Pembentuk Kurva ................................................................ 37

Gambar 4. 15 Hasil Normalisasi FCC 232 ....................................................................... 37

Gambar 4. 16 Hasil Normalisasi FCC 300 ....................................................................... 37

Gambar 4. 17Hasil Normalisasi FCC 400 ........................................................................ 37

Gambar 4. 18 Database Aksara Sunda ............................................................................. 38

Gambar 4. 19 Akurasi 1-NN ............................................................................................ 39





Gambar 4. 24 Akurasi FCC .............................................................................................. 42

Gambar 4. 25 Akurasi K-Fold .......................................................................................... 42

Gambar 4. 26 Perbandingan Jumlah Data Latih dan Akurasi ........................................... 45

Gambar 4. 27 Hasil Uji Klasifikasi Data Tunggal ............................................................ 46


xv

DAFTAR TABEL

Tabel 3. 1 Spesifikasi PC ................................................................................................ 15

Tabel 3. 2 Pembagian data per model .............................................................................. 30

Tabel 3. 3 Perubahan Data latih terhadap data uji ............................................................ 30

Tabel 4. 1 Tabel Hasil Seluruh Klasifikasi ............................................................ 43

Tabel 4. 2 Ranking Model Data FCC 232.............................................................. 44




1

BAB I

PENDAHULUAN

1.1.Latar Belakang

Perkembangan ilmu analisa citra dokumen banyak memiliki keuntungan

untuk menyelamatkan dokumen – dokumen kuno yang ada di tanah sunda, agar

budaya dan informasi yang terkandung dalam dokumen - dokumen kuno

tersebut tidak hilang. Cara yang di jelaskan sebelumnya bisa berguna apabila

dokumen - dokumen tersebut bisa di konversi menjadi dokumen digital atau

citra dokumen dan dengan mengubah menjadi dokumen digital banyak manfaat

yang akan di dapatkan. Contohnya, dokumen-dokumen yang sudah lama bisa

saja rusak karena rayap atau jamur, dengan mengkonversi ke format digital

dokumen dokumen tersebut bisa di selamatkan.

Pada zaman ini banyak masyarakat yang kurang mengerti akan aksara sunda

kuno, sementara itu dokumen – dokumen kuno sangat banyak mengandung

penjelasan tentang budaya – budaya yang ada. Oleh sebab itu diperlukan suatu

perangkat lunak yang bisa memproses masukan dalam bentuk citra aksara sunda

menjadi aksara latin, guna membantu masyarakat untuk belajar aksara sunda,

agar masyarakat bisa mengerti budaya yang terdapat pada dokumen sunda kuno

tetapi tidak kehilangan makna yang sebenarnya.

Pada penelitian ini akan dibuat sebuah sistem yang dapat mengenali aksara

sunda berdasarkan huruf latinnya menggunakan ekstraksi ciri Freeman

Chaincode dan klasifikasi K-Nearest Neighbor. Pada penelitian yang dilakukan

Vaulin (2009), menggunakan algoritma chain code dan k-nearest neighbor

untuk mengenali aksara latin mendapat akurasi sebesar 93.85%. sedangkan

dalam penelitian yang dilakukan oleh Amri(2013), menggunakan algoritma

chain code dan hamming distance untuk pengenalan aksara sunda cetak dengan

beberapa ukuran, mendapatkan akurasi sebesar 92.5%. Berdasarkan dari

penelitian yang sudah dilakukan sebelumnya dan tingkat akurasi yang tinggi

maka penulis ingin menggunakan freeman Chain Code sebagai metode

ekstraksi ciri dan k-nearest neighbor sebagai algoritma klasifikasi dengan data


2

yang digunakan yaitu citra aksara Sunda tulisan tangan. Diharapkan hasil yang

didapat bisa mendapatkan akurasi yang tinggi seperti penelitian penelitian

sebelumnya.

1.2.Rumusan Masalah

Berapa tingkat akurasi yang diperoleh dalam pengenalan aksara sunda

dengan menggunakan Freeman Chaincode sebagai metode ekstraksi ciri dan K-

Nearest Neighbor sebagai algoritma klasifikasi?

1.3.Tujuan Penelitian

Mengetahui performa sistem yang di tunjukan dari tingkat akurasi yang

mampu dihasilkan untuk mengkonversi aksara sunda menjadi aksara latin.

1.4.Manfaat Penelitian

Manfaat dari penelitian ini adalah dapat di gunakan oleh masyarakat untuk

memudahkan pembelajaran aksara sunda.

1.5.Batasan Masalah

Adapun Batasan masalah dalam penelitian ini adalah :

1. Proses yang akan dilakukan adalah pengenalan aksara per aksaranya.

2. Citra aksara yang digunakan adalah hasil scan dari tulisan tangan beberapa

orang.

3. Ada pun aksara sunda yang digunakan di penelitian ini yaitu ka, ga, nga, ca,

ja, nya, ta, da, na, pa, ba, ma, ya, ra, la, wa, sa, ha, fa, va, qa, xa, za, kha dan

sya.

4. Masukan hanya berupa satu citra saja berformat .jpg atau .png.

1.6.Metodelogi Penelitian

1. Studi Literatur

Tahapan ini adalah tahapan pembelajaran seluruh teori yang mendukung

dalam penelitian ini, melalui buku dan jurnal yang berkaitan dengan alih

aksara Sunda.

2. Pengumpulan Data

Tahapan ini adalah tahapan untuk mengumpulkan data yang dibutuhkan

dalam penelitian. Data yang dikumpulkan menggunakan angket yang akan


3

dibagikan kepada responden, setelah itu angket yang sudah di dapatkan akan

di-scan menggunakan mesin scanner.

3. Pembuatan Alat Uji

Tahapan ini adalah tahap untuk merancang sistem dengan menerapkan

metode metode yang digunakan dalam penelitian, guna mengetahi tingkat

akurasi metode yang digunakan.

4. Pengujian dan Analisa

Tahapan ini adalah tahap untuk menguji kemampuan sistem untuk

mengenali aksara Sunda tulisan tangan dengan menggunakan ciri FCC dan

metode klasifikasi K-NN.

1.7.Sistematika Penulisan

BAB I : PENDAHULUAN

Bab ini berisi tentang latar belakang masalah, rumusan masalah,

tujuan, manfaat, batasan masalah serta sistematika penulisan dari

sistem yang akan penulis teliti.

BAB II : LANDASAN TEORI

Bab ini berisi tentang teori-teori dasar yang berkaitan dengan

penelitian yang penulis kerjakan ini, yang meliputi objek yang

digunakan, yaitu Aksara Sunda, metode segmentasi, yaitu Profil

Proyeksi, metode ekstraksi ciri, yaitu Freeman Chain Code (FCC),

dan K-Nearest Neighbor yang merupakan metode untuk

melakukan klasifikasi.

BAB III : METODE PENELITIAN

Bab ini berisi gambaran umum metode yang digunakan untuk

sistem yang dibangun, komponen-komponen yang nantinya

dibutuhkan dalam penelitian dan rancangan sistem secara lengkap.


4

BAB IV : IMPLEMENTASI DAN ANALISA HASIL

Bab ini berisi penjelasan mengenai implementasi sistem yang

dibangun, penerapan algoritma serta rancangan yang sudah dibuat,

cara penggunaan sistem, serta analisa hasil berupa analisis dan

evaluasi.

BAB IV : PENUTUP

Bab ini berisikan kesimpulan dari seluruh penelitian serta saran

yang diusulkan untuk pengembangan lebih lanjut.


5

BAB II

LANDASAN TEORI

2.1. Pengenalan Pola

Definisi pengenalan pola adalah suatu disiplin ilmu sains yang

mempunyai tujuan untuk pengklasifikasian suatu objek kedalam beberapa

kelas atau kategori. Objek tersebut tersebut tergantung pada ngaplikasiannya

seperti citra, suara, dan banyak lagi tipe objek yang di klasifikasi. Pengenalan

pola merupakan bagian dari integral dalam sistem mesin cerdas yang dibuat

untuk mengabil sebuah keputusan (Theodoridis dan Koutroumbas, 2009).

Suatu sistem dapat dikatakan sebagai sistem pengenalan pol ajika terdiri dari

beberapa komponen yaitu; data acquisition, preprocessing, feature extraction,

feature selection, model selection and training, serta evaluation (Polikar, 2006).

Di beberapa penilitian pengenalan karakter terdapat tahapan yang dilakukan

yaitu postprocessing (Patil dan Srinivasan. 2013).

Pengertian dari data acquisition adalah proses peroses pengumpilan data.

Cara mengukur data tersebut dan berapa banyak data yang diperlukan. Data

yang digunakan berasal dari lingkungan sekitar yang di ubah menjadi bentuk

digital.

Tahapan selanjutnya adalah preprocessing, yaitu proses data yang sudah

diproleh diolah sedekimian rupa agar dapat memudahkan proses pengenalan

pola.

Feature extraction adalah tahapan yang digunakan untuk memilih ciri

dari data yang telah di dapatkan, yang bertujuan untuk memperkecil dimensi

data guna mengurangi waktu dan ukuran pemrosesan klasifikasi.

Komponen selanjunya adalah feature selection yaitu menyeleksi atau

memilih subset fitur dari set (himpunan) fitur yang telah diidentifikasi

sebelumnya menggunakan algoritma yang digunakan pada tahap feature

extraction. Pemilihan fitur ini didasarkan pada pencarian subset fitur yang

mengarah pada performa generalisasi terbaik dari kinerja classifier ketika

dilatih dengan subset tersebut.


6

Model selection and training adalah komponen yang dipenuhi setelah

data diperoleh lalu melalui tahap preprocessing, kemudian ektraksi fitur dan

pemilihan fitur yang unik atau informatif dari objek tersebut sehingga telah

siap untuk memilih classifier dan algoritma pelatihan (training) yang sesuai.

Proses klasifikasi dapat dikatakan pemilihan fungsi aproksimasi yang mampu

memetakan suatu masukan (input) kedalam informasi pada sebuah class yang

sesuai. Ketika proses klasifikasi ini dikatakan sebagai suatu fungsi aproksimasi

maka berbagai alat matematika (mathematical tools) seperti algoritma optimasi

dapat digunakan. Menurut Jain et al., (2000) algoritma atau pendekatan yang

umum digunakan untuk proses klasifikasi adalah template matching, statistical

classification, syntactic or structural matching, dan neural network.

Proses pengenalan pola, khususnya untuk character recognition belum

selesai pada tahap klasifikasi. Menurut Patil dan Srinivasan (2013) proses

mentranslasikan sebuah simbol haruslah diletakkan ke dalam konteks yang

tepat agar membentuk sebuah karakter, kata, kalimat atau bahkan keseluruhan

isi dokumen. Hal yang sama juga dipaparkan oleh Widiarti dan Winarko (2012)

pada penelitiannya yang secara khusus tentang manuskrip beraksara Jawa

dalam hal grouping (pengelompokan) suku kata agar membentuk suatu kata

atau kalimat yang benar. Hal tersebut perlu dilakukan karena karakter

penulisan aksara Jawa adalah tanpa spasi sehingga jika tidak dikelompokkan

maka hanya berupa susunan kata, tanpa ada arti atau informasi dari barisan

suku kata yang ada.

Bagian komponen terakhir, yaitu setelah postprocessing selesai sering

disebut sebagai evaluation. Performa kinerja dari classifier perlu dievaluasi

menggunakan data baru untuk menghitung tingkat kebenaran atau akurasi yang

dihasilkan oleh classifier. Pertama, dataset terlebih dahulu harus dipisah antara

data untuk training dan testing. Terkait dengan pembagian dataset untuk

memisah data training dan data testing menjadi penting karena data testing

harus independent dari data training agar mampu membentuk model yang

relatif tepat untuk membentuk prediksi data baru yang akan datang. Namun di

sisi lain ada perhatian khusus mengenai data yang dipakai untuk training dan

testing yang harus diperhatikan seperti jika sebagian kecil dari data yang


7

digunakan untuk testing maka perkiraan dari performa generalisasi dari

classifier mungkin tidak dapat diandalkan (unreliable), sedangkan jika

sebagian besar data dipakai untuk testing maka berakibat pada sedikitnya data

latih (training) atau sering disebut dengan poor training.

2.2. K-Nearest Neighbor

K-Nearest Neighbor atau K-NN adalah salah satu algoritma instance based

learning atau case-based reasoning. Dimana case-based reasoning sendiri

adalah sebuah pendekatan penyelesaian masalah dengan cara memanfaatkan

kondisi yang telah dilakukan sebelumnya. K-NN bisa dikatakan sebagai

algoritma supervised learning dimana hasil dari instance yang baru

diklasifikasikan berdasarkan mayoritas dari kategori K-tetangga terdekat. K-

NN digunakan dalam banyak aplikasi data mining, statistical pattern

recognition, image processing, dan lain sebagainya. Tujuan dari algoritma ini

adalah untuk mengklasifikasikan obyek baru berdasarkan atribut dan sampel-

sample dari data training.

Dalam pengklasifikasiannya, algoritma K-NN menggunakan neighborhood

classification sebagai nilai prediksi dari nilai instance yang baru. K-NN bekerja

berdasarkan jarak minimum dari data baru ke sample data latih untuk

menentukan K tetangga terdekat. Setelahnya nantinya akan kita dapatkan nilai

mayoritas sebagai hasil prediksi dari data yang baru tersebut.

Jarak yang terdapat pada K-Nearest Neighbor adalah :

1. Euclidean Distance

Euclidean distance adalah jarak biasa antara dua titik atau koordinat

yang diturunkan dari rumus phytaghoras. Euclidean distance antara

titik dan adalah panjang garis yang menghubungkan keduanya ab.ab

sendiri adalah sisi miring dari garis yang dibentuk pada sumbu x dan

sumbu y antara koordinat a dan b. Sebagai contoh, untuk menghitung

jarak antara dua titik xs dan xt dengan metode Euclidean, digunakan

rumus:


8

𝑑𝑠,𝑡 = √∑1𝑛(𝑥𝑠 − 𝑦𝑡)2

Keterangan :

𝑑𝑠,𝑡 : jarak data latih dan data uji

𝑥𝑠 : data latih

𝑦𝑡 : data uji

𝑛 : dimensi data

Langkah – langkah dari algoritma K – Nearest Neighbor (K-NN):

1. Tentukan parameter K = jumlah banyaknya tetangga terdekat.

2. Hitung jarak antar data baru dan semua data yang ada di data latih.

3. Urutkan jarak tersebut dan tentukan tetangga mana yang terdekat

berdasarkan jarak minimum ke – K.

4. Tentukan kategori dari tetangga terdekat.

5. Gunakan kategori mayoritas yang sederhana dari tetangga yang

terdekat tersebut sebagai nilai prediksi dari data yang baru.

Kelebihan dari algoritma K-Nearest Neighbor:

1. Kuat terhadap data yang noise.

2. Efektif jika data latih berjumlah banyak.

Kekurangan dari algoritma K-Nearest Neighbor:

1. Perlu menentukan parameter K (jumlah tetangga terdekat)

2. Berdasarkan perhitungan nilai jarak (Distance Based Learning),

tidak jelas perhitungan jarak mana yang sebaiknya digunakan dan

atribut mana yang memberikan hasil yang baik.

2.3. Freeman Chain Code (FCC)

Chain Code merupakan metode yang digunakan untuk

merepresentasikan batas objek yang dinyatakan dengan rantai arah (Gonzales

& Woods, 2002). Sebelum dilakukan pengkodean menggunakan Chain Code,

terlebih dahulu batas objek pada citra harus divisualisasikan kedalam

Rectangular Cell. Rectangular Cell merupakan sel-sel berbentuk segiempat,

dimana kontur atau batas objek dapat digambarkan pada sisi-sisi dari sel.

(2.1.)


9

Chain Code memiliki beberapa keunggulan antara lain:

1. Chain Code adalah representasi padat suatu objek biner.

2. Lebih mudah untuk membandingkan objek menggunakan metode Chain

Code karena merupakan representasi terjemahan invarian suatu objek biner.

3. Chain Code dapat digunakan untuk menghitung suatu fitur bentuk karena

merupakan representasi lengkap dari suatu objek atau kurva.

Terdapat dua arah dalam Chain Code yaitu arah dalam ketetanggaan

empat yang artinya memiliki empat arah seperti mata angin yaitu Utara, Timur,

Selatan dan Barat. Kemudian, arah dalam ketetanggaan delapan yang artinya

memiliki delapan arah seperti pada Gambar berikut :

Gambar 2. 1 Arah Chaincode

2.4. Normalisasi Freeman Chain Code (FCC)

Freeman chain code merepresentasikan bentuk dari suatu objek. Panjang

dari kode yang didapatkan dari setiap objek akan berbeda beda, maka dari itu

perlu dilakukan normalisasi. Normalisasi freeman chain code bertujuan untuk

mengubah panjang dari kode yang didapatkan. Tahapan yang dilakukan yaitu:

1. Mengubah matriks 1 dimensi menjadi matriks 2 dimensi.

2. Metriks 2 dimensi disi dengan nilai dari chaincode dan frekuensi dari nilai

chain code.

3. Menghapus kode yang memiliki frekuensi 0 dan 1.

4. Lakukan kembali langkah 3 sampai kode dengan nilai yang sama tidak

saling berderet.


10

5. lakukan normalisasi agar panjang dari kode menjadi sama, dengan

menggunakan rumus :

𝑓𝑟𝑛𝑒𝑤𝑖

=𝑓𝑟𝑖

∑ 𝑓𝑟 𝑥 𝑁

Keterangan :

𝑓𝑟𝑛𝑒𝑤𝑖 : Frekuensi setelah normalisasi (bilangan bulat).

𝑓𝑟 : Frekuensi indeks ke-i

∑ 𝑓𝑟 : Total frekuensi

𝑁 : Panjang Chain Code Setelah Normalisasi

2.5. Aksara Sunda

Aksara sunda merupakan aksara yang berasal dari tanah sunda, yang

digunakan sebagai penulisan pada zaman dulu kala. Aksara sunda ada berbagai

macam yaitu :

2.4.1. Aksara Sora

Gambar 2. 2 Aksara Sora

2.4.2. Aksara Ngalagena

Gambar 2. 3 Aksara Ngalagena

(2.2.)


11

2.4.3. Rarangken

Rarangken dibagi menjadi 3 bagian yaitu :

1. Rarangken Diatas Huruf

Gambar 2. 4 Rarangken Diatas Huruf

2. Rarangken Dibawah Huruf

Gambar 2. 5 Rarangken Dibawah Huruf


12

3. Rarangken Sejajar Huruf

Gambar 2. 6 Rarangken Dibawah Huruf

2.4.4. Aksara Angka

Gambar 2. 7 Aksara Angka

2.6. K-fold Cross Validation

K-fold cross validation merupakan salah satu metode yang bisa digunakan

untuk menghitung kinerja sebuah sistem. Dalam k-fold cross validation data

akan di partisi secara acak ke dalam k partisi (D1,D2,…,Dk, masing masing

dari D memiliki jumlah data yang sama). Pembagian data dari k-fold cross

validation dapat dilihat pada ilustrasi di bawah ini:

Gambar 2. 8 Ilustrasi k-fold cross validation


13

Ilustrasi diatas menjelaskan pembagian dari model data yang digunakan. Cara

pembagian k-fold cross validation yaitu dengan cara, menentukan terlebih

dahulu nilai K yang akan di gunakan setelah itu membagi seluruh data

sebanyak K yang sudah ditentukan. Setelah itu dilakukan kombinasi dengan

aturan model training 2/3 dari nilai K yang ditentukan dan sisanya menjadi

model testing.

2.7. Precision

Precision adalah tingkat ketepatan atau akurasi dari hasil proses klasifikasi.

Rumus untuk menghitung precision adalah sebagai berikut :

𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑏𝑒𝑛𝑎𝑟

𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑥 100%

Keterangan :

𝑗𝑢𝑚𝑙𝑎ℎ 𝑏𝑒𝑛𝑎𝑟: jumlah data yang prediksi sistem dengan benar

𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 : jumlah keseluruhan data

(2.2.)


14

BAB III

METODE PENELITIAN

3.1. Data

Penelitian ini menggunakan data sebuah citra tulisan tangan aksara sunda

sebagai inputan untuk pengenalan aksara objek citra aksara tulisan tangan

diperoleh dengan cara mencari responden untuk menuliskan aksara sunda di

template yang telah di sediakan lalu menggunakan scanner untuk merubah

menjadi bentuk citra digital dan dilakukan crop secara manual menggunakan

aplikasi photoshop. Jumlah data yang di gunakan sebanyak 30 template yang

didalamnya terdapat 25 aksara.

Gambar 3. 1 Angket Pengumpulan Data


15

3.2. Kebutuhan Sistem

Pada penelitian pengenalan aksara sunda tulisan tangan menggunakan

berbagai macam software and hardware. Adapun hardware dan software yang

digunakan pada peelitian ini adalah sebagai berikut:

3.2.1. Perangkat Keras (Hardware)

- Personal Computer (PC)

Adapun spesifikasi dari Personal Computer yang digunakan dalam

pembuatan sistem ini adalah :

Tabel 3. 1 Spesifikasi PC

Model Acer Aspire E 14

Platform Notebook-PC

Processor Intel core i5-8250

Harddisk 1 TB

Grapich Processing Unit Nvidia GeForce MX130

Operation System Microsoft Windows 10

Memory 8GB DDR4

- Scanner(600 DPI)

Scanner berguuna untuk merubah dataset kedalam bentuk digital.

3.2.2. Perangkat Lunak (Software)

Perangkat lunak yang digunakan dalam penelitian ini adalah Matlab

R2018a guna perancangan dan menjalankan sistem yang dibuat serta

CorelDraw guna proses cropping citra dari hasil scan angket

pengumpulan data.


16

3.3. Perancangan Alat Uji

Sub bab ini berisikan terntang perancangan alat uji yang dibangun. Proses

yang dilakukan yaitu preprocessing, ekstraksi ciri pada proses training dan

testing serta proses klasifikasi.

Gambar 3. 2 Diagram Blok

Pada gambar 3.2, menunjukan bahwa sistem menjalankan 2 bagian besar yaitu

training dan testing. Di kedua bagian tersebut sama sama melakukan proses

pengambilan data, preprocessing dan ekstraksi ciri. Tahap pengambilan data

adalah tahap yang berguna untuk mengumpulkan data yang akan digunakan

untuk proses sistem. Tahapan preprocessing adalah tahapan pengolahan data

agar siap digunakan. Tahapan ekstraksi ciri yaitu tahapan pengambilan ciri dari

data yang sudah dilakukan preprocessing. Pada bagian training seluruh ciri

yang didapatkan akan dimasukan kedalam database. Database yang telah

disiapkan lalu digunakan pada tahapan klasifikasi, hasil dari klasifikasi akan

dievaluasi dengan cara membandingkan hasil keluaran klasifikasi dengan label

dari data testing yang ada.


17

3.3.1. Prepocessing

Pada tahapan preprocessing proses yang dilakukan yaitu Crooping,

grayscalling, binarization, noise reduction, diteksi tepi dan profil

proyeksi.

Gambar 3. 3 Diagram Blok PreProcesing

1. Pemotongan

Dari data yang sudah didapatkan dilakukan tahapan

Cropping manual dengan menggunakan aplikasi Corel Draw,

dengan memisahkan data menjadi per aksara.

2. Pengabuan

Setelah mendapatkan data peraksara maka dilakukan

tahapan mengubah citra yang didapatkan menjadi citra abu – abu

dengan memanfaatkan fungsi matlab yaitu rgb2gray.

3. Binerisasi

Pada tahap ini yang dilakukan adalah mengubah citra warna

yang menjadi inputan menjadi citra biner, dengan cara merubah

terlebih dahulu citra warna menjadi citra grayscale seperti

dijelaskan di proses sebelumnya lalu menjadikan citra biner

dengan menggunakan fungsi matlab im2bw.


18

4. Reduksi Derau

Setelah mendapatkan citra hitam – putih maka tahapan yang

harus di lakukan yaitu mengurangi derau yang ada dengan

menggunakan fungsi matlab medfilt2.

5. Diteksi Tepi

Pada tahap ini sistem akan melakukan pendeteksian tepi dari

citra masukan yang sudah di benerisasi, dan akan menghasilkan

tepi dari citra aksara masukan. Metode deteksi tepi yang

digunakan adalah deteksi tepi Log dengan memanfaatkan fungsi

matlab edge. Akan tetapi hasil keluaran fungsi ini menghasilkan

citra negatif, oleh sebab itu sistem perlu mengkonfersi nilai 0

menjadi 1 dan juga sebaliknya.

6. Profil Proyeksi

Tahap ini akan memisahkan antara latar belakang dengan

objek aksara yang ada.

Algoritma yang digunakan dalam profil proyeksi adalah:

1. Hitung jumlah Baris dan Kolom citra

2. Set treshold berisi jumlah minimum piksel 0 pada setiap

baris

3. Buat variabel jumlah berukuran baris x 1 berisi angka 0

4. Perulangan dari i=1 sampai jumlah baris citra lakukan

langkah 5 - 6

5. Perulangan dari j=1 sampai jumlah kolom citra lakukan

langkah 6

6. Jika citra pada indeks ke i dan j bernilai 0,maka

jumlah pada indeks ke i ditambahkan nilainya 1.

7. Buat variabel bernama idx dan idy bernilai 1

8. Perulangan dari i = 1 sampai ukuran jumlah -1 lakukan

langkah 9 - 13


19

9. Jika jumlah pada indeks ke i > 0, maka lakukan langkah

10 - 11

10.Jika idx == 1, maka

11. Set nilai idx = i

12. Jika jumlah pada indeks ke i + 1 < treshold dan

idx > dan idy == 1, maka lakukan langkah 13

13. Set nilai idy = i

13. Jika jumlah pada indeks ke i > treshold dan idy > 1,

maka set nilai idy = i

14. Buat citra_baru menjadi seluruh citra pada baris ke

idx – idy

15. Hitung baris dan kolom citra_baru

16. Buat variabel jumlah2 berukuran kolom x 1 berisi angka 0

17. Perulangan dari i=1 sampai jumlah kolom citra_baru

lakukan langkah 18 - 19

18. Perulangan dari j=1 sampai jumlah baris citra_baru

19. Jika citra pada indeks ke j dan i bernilai 0,maka

jumlah2 pada indeks ke i ditambahkan nilainya 1.

19. Buat variabel bernama ixx dan ixy bernilai 1

20. Perulangan dari i = 1 sampai ukuran jumlah2 -1 lakukan

langkah 21 - 28

21. Jika jumlah2 pada indeks ke i > 0, maka lakukan

langkah 22 – 27

22. Jika ixx == 1, maka lakukan langkah 23

23. Set nilai ixx = i

24. Jika jumlah2 pada indeks ke i + 1 < treshold

dan ixx > 1 dan ixy == 1, maka lakukan langkah

25

25. Set nilai ixy = i

26. Jika jumlah2 pada indeks ke i > treshold dan

ixy > 1 maka lakukan langkah 27


20

27. Set nilai ixy = i

28. Buat citra_final menjadi seluruh citra_baru

pada kolom ke ixx sampai ixy.

29. Return citra_final.

3.3.2. Ekstraksi Ciri

Pada tahapan ekstraksi ciri proses yang dilakuakn yaitu pencarian

titikawal, pencarian ciri FCC dan normalisasi FCC.

Gambar 3. 4 Diagram Blok Ekstraksi Ciri

1. Pencarian titik awal

Tahapan awal dalam ekstraksi ciri yaitu mencari titik awal

pengambilan Freeman Chain Code.

Algoritma yang digunakan untuk menacri titik awal yaitu:

1. Hitung jumlah baris dan jumlah kolom gambar.

2. Perulangan i=1 sampai baris. Lakukan langkah 3 - 5


21

3. Perulangan j=1 sampai kolom., lakukan langkah 4-5

4. Jika baris ke I dan kolom ke j = 0, maka set

nilai stratX = i dan startY = j. lakukan

langkah 5

5. Hentikan perulangan.

6. Kembalikan nilai startX dan startY.

2. Pencarian Ciri FCC

Setelah menemukan titik awal maka selanjutnya yaitu mencari ciri

FCC yang terdapat pada citra akasara.

Algoritma yang digunakan yaitu

1. Set cc = ‘’

2. Set ref = gambar

3. Ambil nilai startX dan startY dari piksel 0 pada titik

paling kiri atas.

4. Set nowX = startX

5. Set nowY = startY

6. Cek ketetanggaan dari gambar pada indeks ke startX dan

startY berurutan dari 0,7,6,5,4,3,2,1. Jika ketemu, maka

tambahkan cc dengan nilai kode chaincode, lalu ganti nilai

nowX dan nowY menjadi nilai pada piksel berikutnya.

7. Perulangan selama nilai nowX tidak sama dengan startX

dan nilai nowY tidak sama dengan nilai startY

8. Cek ketetanggaan dari gambar pada indeks ke nowX dan

nowY berurutan dari kode 0,7,6,5,4,3,2,1. Jika ketemu, maka

9. Set nilai isTetanggaexist = 0

10. Set nilai nextX dan nextY sesuai dengan perpindahan

piksel pada kode 0,7,6,5,4,3,2,1. Jika ketemu set nilai

isTetanggaexist = 1


22

11. Cek kemungkinan ketetanggan berikutnya dari nextX dan

nextY berurutan dari kode 0,7,6,5,4,3,2,1. Jika ketemu

maka hentikan seluruh perulangan.

12. Jika isTetanggaexist = 1. maka

13. Tambahkan cc dengan kode perpindahan chaincode

14. Set nilai nowX dan nowY sesuai dengan perpindahan

tetangga

15. Jika tidak, maka

16. Set nilai ref pada indeks ke nextX dan nextY = 1

17. return nilai cc dan ref.

Pada praktiknya, citra aksara yanga ada bisa saja memiliki lebih dari

1 komponen, maka dari itu perlu memodifikasi algoritma di atas agar

bisa mengambil dan menyatukan chain code dari citra yang memiliki

lebih dari 1 komponen. Dengam menambahkan algoritma sebagai

berikut:

1. buat matriks temp berukuran 10x10 dengan isi 0

2. Membuat variabel count bernilai 0

3. Membuat variabel coba dengan isi jumlah piksel 0 temp

4. Perulangan selama isi dari variabel coba lebih besar dari 5

lakukan langkah 5 - 12

5. Jika count = 0, maka , lakukan langkah 6-7

6. Panggil fungsi getchaincode dengan parameter

gambar. Lalu tampung nilai chaincode pada cc dan

gambar hasil penjelajahan chaincode kedalam

variabel temp.

7. Hapus noise dari temp

8. Jika tidak, maka lakukan langkah 9 - 10

9. Panggil fungsi getchaincode dengan parameter

temp. Lalu tampung nilai chaincode pada cctemp

dan gambar hasil penjelajahan chaincode kedalam

variabel temp.


23

10. Hapus noise dari temp

11. Tambahkan 1 pada nilai count

12. Hitung seluruh piksel 0 dari temp

3. Jumlah Garis Vertikal

Setelah Mendapatkan Ciri FCC maka setelah itu dilakukan

perhitungan banyaknya kode dari FCC yang membentuk garis

vertikal. Yang dimaksud dari membentuk garis vertikal yaitu

banyaknya kode 2 dan 6. Adapun algoritma yang digunakan untuk

mencari jumlah garis vertikal adalah sebagai berikut

1. Hitung panjang chain

2. Set variable jumVertikal =0

3. Perulangan selama i=1 sampai panjang chain, lakukan langkah

4-5

4. Jika chain indeks ke-i sama dengan 2 atau chain indeks ke-i

sama dengan 6, maka lakukan langkah 5

5. jumVertikal=jumVertikal+1

6. return jumVertikal

4. Jumlah Garis Horizontal



horizontal. Yang dimaksud dari membentuk garis horizontal yaitu

banyaknya kode 0 dan 4. Adapun algoritma yang digunakan untuk

mencari jumlah garis horizontal adalah sebagai berikut


2. Set variable jumHorizontal =0


4-5


sama dengan 4, maka, lakukan langkah 5

5. jumHorizontal = jumHorizontal +1


24

6. return jumHorizontal

5. Jumlah Garis Miring



miring. Yang dimaksud dari membentuk garis miring yaitu

banyaknya kode 1, 3, 5 dan 7. Adapun algoritma yang digunakan

untuk mencari jumlah garis miring adalah sebagai berikut


2. Set variable jumMiring =0

3. Perulangan selama i=1 sampai panjang chain lakukan langkah 4-

5


sama dengan 3 atau indeks ke-i sama dengan 5 atau indeks

ke-i sama dengan 7, maka, lakukan langkah 5

5. jumMiring = jumMiring +1

6. return jumMiring

7. Jumlah Kurva


perhitungan banyaknya kode dari FCC yang membentuk kurva.

Yang dimaksud dari membentuk kurva yaitu banyaknya kode 123,

231, 107, 701, 567, 765, 345 dan 543. Adapun algoritma yang

digunakan untuk mencari jumlah kurva adalah sebagai berikut


2. Set variable jumKurva =0


4-11

4. Jika nilai i sama dengan nilai panjang chain -1, maka,

lakukan langkah 5

5. Set nilai kurva1= gabungan chain indeks ke-i sampai

n dan nilai chain indeks ke-1


25

6. Tetapi jika nilai i sama dengan nilai panjang chain, maka,

lakukan langkah 7

7. Set nilai kurva1= gabungan chain indeks ke-n dan

nilai chain indeks ke-1 sampai 2

8. Jika tidak, maka, lakukan langkah 9

9. Set nilai kurva1= chain indeks ke-i sampai i+2

10. Jika kurva1 adalah 123 atau 321 atau 107 atau 701 atau

567 atau 765 atau 345 atau 543, maka, lakukan langkah 11

11. jumKurva=jumKurva+1;

12. return jumKurva

13. Normalisasi FCC

Pada tahap ini langkah pertama yang harus dilakukan adalah

menghitung jumlah code yang berurutan, berikut ini adalah hitungan

chaincode yang berurutan :

Gambar 3. 5 Pehitungan Chain Code

Keterangan :


26

Idx = Index dari kode

CC= nilai chaincode

Freq = Frekuensi kemunculan nilai chaincode

Setelah itu, langkah berikutnya yaitu hilangkan chain code yang

memiliki nilai frekuensi 0 dan 1. Berikut adalah hasilnya:

Gambar 3. 6 Normalisasi Iterasi-1

Karena masih ada kode yang berderetan maka hilangkan lagi kode

yang memiliki frekuensi 0 dan 1. Berikut adalah hasilnya:


Gambar 3. Sudah menunjukan kode yang didapatkan sudah

sederhana, karena tidak ada lagi kode yang berderet. Langkah

berikutnya adalah melakukan normalisasi agar jumlah kode yang

dihasilkan menjadi sama setiap aksaranya.

Setelah itu dilakukan perhitungan dengan rumus diatas. Hasilnya adalah

sebagai berikut :


Setelah dilakukan normalisasi, maka chaincode yang dihasilkan adalah

200006660006444442222244.


27

Algoritma yang digunakan untuk melakukan normalisasi adalah sebagai

berikut :

1. Set nilai newCC

2. Hitung panjang chaincode

3. Set counter = 1

4. Set data = ‘’

5. Set freq = 0

6. Perulangan selama i=1 sampai panjang chaincode, lakukan langkah

7 -14

7. Jika i=1, maka , lakukan langkah 8

8. Data = chaincode pada indeks i

9. Tetapi jika data tidak sama dengan chaincode indeks I, maka,

lakukan langkah 10-11

10. Masukan nilai dari variabel data kedalam variabel kode baris

ke-counter dan kolom ke-1.

11. Masukan nilai variabel freq kedalam variabel kode baris ke-

counter kolom ke-2.

12. Set nilai data = chaincode indeks ke-i.

13. Tambahkan nilai counter+1.

14. Tambahkan nilah freq+1.

15. Hitung panjang variabel kode

16. Set nilai counter =1

17. Perulangan selama i=1 sampai panjang kode

18. Jika nilai variabel kode baris ke-2 kolom ke-2 tidak sama

dengan 1, maka

19. Masukan nilai variabel kode baris ke-i kolom ke-1 kedalam

variabel nKode baris ke-i kolom ke-1

20. Masukan nilai variabel kode baris ke-i kolom ke-2 kedalam

variabel nKode baris ke-I kolom ke-2

21. Tambahkan nilai counter+1


28

22. Masukan nilai variabel nKode kedalam variabel kode

23. Hapus variabel nKode

24. Set jumlah = jumlah seluruh kolom ke 2 dari variabel kode

25. Hitung jumlah panjang dari kode

26. Perulangan selama i = 1 sampai panjang kode

27. kode pada baris ke i dan kolom ke 2 diisikan dengan hasil

pembulatan dari kolom ke 2 baris ke 1 dari variabel kode dibagi

dengan nilai dari variabel jumlah lalu dikali dengan jumlah

chaincode yang diinginkan.

28. Ubah kode yang berbentuk frekuensi menjadi deret seperti kode

FCC yang sebelumnya dan tampung ke variabel output

29. Hitung panjang dari variable output

30. Jika panjang dari output lebih dari newCC, maka

31. Perulangan i = panjang output sampai newCC+1 dengan langkah

-1

32. Hapus nilai dari output indeks ke i.

33. Jika panjang output kurang dari newCC, maka

34. Perulangan selama i=1 samapai newCC

35. Masukan nilai output indeks ke-trakhir dari ouput

kedalam variable output indeks ke-i.

36. Return output

3.3.3. Perhitungan Jarak

Metode perhitungan jarak yang digunakan di dalam penelitian ini

yaitu euclidean distance, algoritma yang digunakan yaitu sebagai

berikut :

1. Set variabel x =selisihChaincode(ciri fcc data train, ciri fcc

data test)^2

2. Set variabel y = (ciri horizontal train – ciri horizontal test)^2

3. Set variabel z = (ciri vertikal train – ciri vertikal test)^2

4. Set variabel a = (ciri diagonal train – ciri diagonal test)^2

5. Set variabel b = (ciri kurva train – ciri kurva test)^2

6. Set variabel jarak = akar dari x+y+z+a+b


29

Untuk perhitungan selisih chaincode menggunakan algoritma

sebagai berikut :

1. Simpan chain code ciri 1 didalam variable cc1 dan ciri 2 di

dalam cc2

2. Set varibel hasil = 0

3. Perulangan dari i=1 sampai panjang dari chain code, lakukan

langkah 4 - 12

4. Set nilai variabel angka1 = cc1 indeks ke i

5. Set nilai variabel angka2 = cc2 indeks ke i

6. Set nilai variabel hasil1 = | angka1 – angka2 |

7. Set nilai variabel hasil2 = | | angka1 – angka2 | - 8 |

8. Jika hasil1 > hasil2 maka, lakukan langkah 9

9. Set nilai min indeks ke i = hasil2

10. Jika tidak maka, lakukan langkah 11

11. Set nilai min indeks ke I = hasil1

12. Hasil = hasil+min indeks ke i

13. Kembalikan nilai hasil

3.3.4. Klasifikasi

Metode yang digunakan tuntuk klasifikasi yaitu K-NN. Metode ini

mengambil k-tetangga terdeketak dan dilakukan mekanisme vote.

Jauh dekatnya antar tetangga dihitung dengan metode penghitungan

jarak. Pada penelitian ini menggunakan penghitungan jarak dengan

metode Euclidien.

3.4. Pengujian

Dengan menggunakan metode 3-fold cross validation , maka dilakukan

pembagian menjadi 3 model data, setelah itu akan dilakukan pengujian

sebanyak 3 kali. Penelitian ini menggunakan 30 data yang akan dibagi menjadi

3 model data, dengan pembagian data di setiap modelnya adalah sebagai

berikut :


30

Tabel 3. 2 Pembagian data per model

Model Data

1 1-10

2 11-20

3 21-30

Dari model diatas dibagi menjadi data latih dan data uji dengan menggunakan

aturan K-Fold Cross Validation seperti yang di jelanskan di bab 2. Setelah

mendapat data latih dan data uji peneliti mencoba mengurangi sedikit demi

sediki jumlah dari data latih didapatkan dari fold ke-1 metode aturan K-Fold

Cross Validation dengan aturan sebagai berikut:

Tabel 3. 3 Perubahan Data latih terhadap data uji

Jumlah data latih Jumlah data uji

20 10

15 10

10 10

5 10

Hasil dari metode diatas yaitu jumlah data yang dikenali oleh sistem dengan

benar. Setelah itu dilakukan penghitungan akurasi sistem dengan

menggunakan rumus precision.


31

BAB IV

IMPLEMENTASI DAN ANALISIS HASIL

4.1.Akuisisi Data

Citra aksara tulisan tangan yang di gunakan pada penelitian ini diambil

dengan cara membagikan kuisioner setelah itu dilakukan scanning guna

merubah dalam bentuk digital. Data citra yang diambil sebanyak 30 tamplate

(750 aksara).

Gambar 4. 1 Contoh Pengisian Angket oleh Repsonden

Angket yang sudah discan kemudian dicrop secara manual menggunakan

aplikasi CorelDraw, untuk mengambil seluruh aksara yang ditulis oleh

responden.

Gambar 4. 2 Hasil Crop Aksara Tulisan Tangan


32

4.2. Preprocessing

1. Baca citra aksara.

Pembacaan citra aksara kedalam sistem menggunakan fungsi imread.

Pemanggilan fungsi imread dengan cara sebagai berikut :

img=imread('ba-1.jpg');

Gambar 4. 3 Hasil Baca Data Aksara

2. Binerisasi

Tahapan binerisasi citra aksara dilakukan menggunakan fungsi im2bw

dengan code seperti berikut

bw = im2bw(img);

Gambar 4. 4 Hasil Binerisasi Citra

3. Noise Reduction

Tahapan reduksi noise menggunakan fungsi medfilt2 dengan

pengecekan menggunakan matrik 6 x 6 sehingga penggunaan fungsi

seperti pada code berikut :


33

reduksi = medfilt2(bw,[6 6]);

Gambar 4. 5 Hasil Reduksi Noise

4. Deteksi Tepi

Deteksi tepi dilakukan menggunakan fungsi edge dan dengan

menggunakan metode log sehingga penggunaan fungsinya seperti pada

code berikut

deteksi = edge(reduksi,log);

Adapun keluaran dari pemanggilan metode tersebut adalah citra dengan

latar belakang hitam, maka harus dilakukan perubahan agar latar

belakang menjadi putih dengan menggunakan fungsi imcomplement,

dengan menggunakan code sebagai berikut :

deteksi = imcomplement(deteksi);

Gambar 4. 6 Deteksi tepi citra

5. Profil Proyeksi

Segmentasi citra menggunakan metode profil proyeksi menggunakan

prinsip histogram yang menjumlahkan seluruh piksel 0 yang berada pada


34

setiap baris (proyeksi vertikal) dan menjumlahkan seluruh piksel 0 yang

beada pada setiap kolom (proyeksi horizontal).

Gambar 4. 7 Hasil Crop citra pada variabel gambar

4.3. Ekstraksi Ciri

Seperti yang sudah disebutkan sebelumnya, adapun ciri yang digunakan adalah

ciri bentuk yaitu ciri Freeman Chain code (FCC), Jumlah kode yang

membentuk garis vertikal, horizontal, miring dan kurva.

1. Pencarian Titik Awal.

Titik awal citra adalah piksel hitam yang berada paling kiri atas. Fungsi

untuk menjalankan perintah tersebut sudah dibuat sebelumnya dengan

nama getStartingPoint, sehingga code untuk menjalankan fungsinya

adalah :

[startx starty]= getStartingPoint(citra);

Gambar 4. 8 Titik start pencarian FCC

2. Pencarian Ciri FCC

Algoritma FCC pada penelitian ini disimpan dalam fungsi

getChainCode. Fungsi ini mengembalikan 2 nilai yaitu nilai dari kode

yang didapatkan dan citra setelah dilakukan pengambilan kode.

Penggunaan fungsi diatas dapat dilihat di code berikut :

[cc,temp] = getChaincode(citra);


35

Gambar 4. 9 Hasil Pencarian FCC Pertama

Dapat dilihat pada Gambar 4.9 karna citra aksara memiliki 2 komponen

maka harus dilakukan kembali pencarian FCC setelah itu hasilnya

digabungkan dan juga di gambar 4.9 terdapat noise maka dari itu sebelum

melakukan pencarian FCC kembali maka dilakukan telebih dahulu

reduksi noise. Setelah dilakukan reduksi noise setelah itu dilakukan

kembali pemanggilan fungsi getStartingPoint dan getChainCode.

Gambar 4. 10 Hasil Final Pencarian FCC


36

3. Jumlah Kode Horizontal

Setelah Mendapatkan Ciri FCC maka setelah itu dilakukan perhitungan

banyaknya kode dari FCC yang membentuk garis horizontal. Yang

dimaksud dari membentuk garis horizontal yaitu banyaknya kode 0 dan

4.

Gambar 4. 11 Jumlah Kode Pembentuk Horizontal

4. Jumlah Kode Vertikal


banyaknya kode dari FCC yang membentuk garis vertikal. Yang

dimaksud dari membentuk garis vertikal yaitu banyaknya kode 2 dan 6.

Gambar 4. 12 Jumlah Kode Pembentuk Vertikal

5. Jumlah Kode Miring


banyaknya kode dari FCC yang membentuk garis miring. Yang

dimaksud dari membentuk garis miring yaitu banyaknya kode 1, 3, 5 dan

7.

Gambar 4. 13 Jumlah Kode Pembetuk Miring


37

6. Jumlah Kurva


banyaknya kode dari FCC yang membentuk kurva. Yang dimaksud dari

membentuk kurva yaitu banyaknya kode 123, 231, 107, 701, 567, 765,

345 dan 543.

Gambar 4. 14 Jumlah Kode Pembentuk Kurva

7. Normalisasi Ciri FCC

Setelah melakukan tahapan FCC, didapatkan kode yang panjang dan

setiap citra aksara memiliki jumlah kode yang berbeda – beda maka dari

itu perlu dilakukan normalisasi. Panjang kode yang akan digunakan di

penelitian ini yaitu 232, 300 dan 400.

Gambar 4. 15 Hasil Normalisasi FCC 232

Gambar 4. 16 Hasil Normalisasi FCC 300

Gambar 4. 17Hasil Normalisasi FCC 400


38

4.4. Implementasi Pembuatan Dataset

Pada pembuatan database, tahap preprocessing dan tahap ekstraksi ciri

dilakukan untuk semua aksara. Sistem sudah bisa melakukan perulangan

untuk pengambilan ciri dari semua data yang ada. Setelah semua ciri data

didapatkan maka ciri dari data akan di masukan kedalam file.mat. dengan

memanfaatkan fungsi save pada matlab. Penggunaan fungsi save dapat dilihat

di code sebagai berikut :

save(‘data.mat’,data);

Gambar 4. 18 Database Aksara Sunda

4.5. Klasifikasi

Setelah mendapatkan ciri dari setiap data yang tersedia dan sudah dibagi untuk

data training dan data testing. Dilakukan proses klasifikasi, dengan metode K-

Nearest Neighbor pada metode ini diperlukan proses perhitungan jarak

terhadap ciri data testing terhadap data training setelah mendapatkan semua

data testing terhadap data training dilakukan metode ranking lalu diambil

berdasarkan nilai K. Jika nilai K yang digunakan adalah 3 maka ambil nilai

yang terdapat pada ranking 3 teratas lalu dilakukan metode vote yaitu

pengambilan label yang lebih dominan. Pada penelitian ini nilai K yang

digunakan adalah 1, 3, 5, 7 dan 9. Untuk penggunaan klasifikasi sudah dibuat

terlebih dahulu fungsinya dengan nama KNN. Adapun cara penggunaan fungsi

KNN adalah sebagai berikut :


39

[akurasi klasifikasi jarakfull] = KNN(train,test);

4.6. Analisa

Sistem klasifikasi menggunakan algoritma K-nearest neighbor (K-NN)

dikatakan tepat jika nilai akurasi yang didapatkan tinggi dan sebaliknya jika

nilai akurasi yang didapatkan rendah maka sistem klasifikasi menggunakan

algoritma K-NN kurang tepat untuk melakukan klasifikasi aksara Sunda.

Performa klasifikasi dapat diukur dengan melakukan pengujian terhadap model

testing dengan model training. Pada pembagian model training dam model

testing menggunakan metode K-Fold Cross Validation, nilai K yang digunakan

yaitu 3. Hasil dari pengujian adalah sebagai berikut :

Gambar 4. 19 Akurasi 1-NN

Dari gambar 4.19 bisa dilihat akurasi terbaik yang didapatkan yaitu 93.6%

dengan nilai K = 1, panjang FCC normalisasi 232 dan model yang diambil dari

fold 1.

84.00% 86.00% 88.00% 90.00% 92.00% 94.00% 96.00%

232

300

400

Akurasi

FCC

Akurasi 1-NN

Fold 3 Fold 2 Fold 1


40




fold 1.




fold 2.

80.00% 82.00% 84.00% 86.00% 88.00% 90.00% 92.00%

232

300

400

Akurasi

FCC

Akurasi 3-NN


83.00% 84.00% 85.00% 86.00% 87.00% 88.00% 89.00%

232

300

400

Akurasi

FCC

Akurasi 5-NN



41


Dari gambar 4.22 bisa dilihat akurasi terbaik yang didapatkan yaitu 88%

dengan nilai K =7 , panjang FCC normalisasi 300 dan model yang diambil dari

fold 2.


Dari gambar 4.23 bisa dilihat akurasi terbaik yang didapatkan yaitu 84%


fold 2.

76.00% 78.00% 80.00% 82.00% 84.00% 86.00% 88.00% 90.00%

232

300

400

FCC

FCC

Akurasi 7-NN


72.00% 74.00% 76.00% 78.00% 80.00% 82.00% 84.00% 86.00%

232

300

400

Akurasi

FCC

Akurasi 9-NN



42

Gambar 4. 24 Akurasi FCC

Dilihat dari gambar 4.24, bisa di lihat bahwa panjang dari normalisasi freeman chaincode

berpengaruh dengan hasil akurasi yang didapatkan.

Gambar 4. 25 Akurasi K-Fold

Dilihat dari gambar 4.25, bisa dilihat bahwa data untuk model klasifikasi berpengaruh

dengan hasil akurasi yang didapatkan.

86.88%

87.04%

86.54%

86.20% 86.30% 86.40% 86.50% 86.60% 86.70% 86.80% 86.90% 87.00% 87.10%

232

300

400

Akurasi

FCC

Akurasi FCC

87.89%

87.68%

84.89%

83.00% 84.00% 85.00% 86.00% 87.00% 88.00% 89.00%

1

2

3

Akurasi

Fold

Akurasi K-Fold


43

Tabel 4. 1 Tabel Hasil Seluruh Klasifikasi

FOLD 1 2 3

FCC

K 232 300 400 232 300 400 232 300 400

1 93.6% 93.2% 90.8% 92.4% 91.2% 92.4% 90.8% 92.0% 87.6%

3 90.8% 88.0% 90.4% 89.2% 89.6% 90.4% 85.2% 84.8% 86.8%

5 87.6% 86.8% 87.2% 86.4% 87.2% 88.4% 84.8% 85.2% 86.4%

7 85.6% 88.0% 86.8% 86.0% 86.0% 86.8% 81.2% 83.6% 82.4%

9 83.6% 83.6% 82.4% 84.0% 83.2% 82.0% 82.0% 83.2% 77.3%

Dilihat dari tabel 4.1 Akurasi terbaik yang di dapatkan yaitu 93.6%. Akurasi

tersebut dadapatkan dengan nilai K =1 menggunakan model data dari fold 1

dan menggunakan panjang FCC 232.

Dapat dilihat dari tabel 4.1 akurasi penggunaan panjang dari normalisasi chain

code dan nilai K dari KNN sangat berpengaruh terhadap nilai akurasi yang

didapat. Pada penelitian ini nilai akurasi terbesar diperoleh dari panjang chain

code 232 dan K = 1. Nilai normalisasi chain code = 232 diambil dari jumlah

terkcecil dari chain code yang telah didapatkan. Ketika panjang chain code

dilebarkan lagi nilai akurasi terlihat berkurang. Dapat diartikan panjang

normalisasi chain code sangat berpengaruh terhadap representasi bentuk kode

terhadap citra yang di dapat. Untuk nilai K, semakin besar nilai K maka akan

mengakibatkan akurasi semakin tinggi karena ada beberapa aksara yang tingkat

kesaamaannya tinggi, jika tulisan tangan dari responden kurang baik maka

aksara tersebut bisa saja dikenali sebagai aksara lainnya yang memiliki tingkat

kemiripan yang tinggi.


44

Tabel 4. 2 Ranking Dataset Berdasarkan Akurasi Menggunakan ciri Kode Rantai

232

KNN Fold

1 2 3

1 1 2 3

3 1 2 3

5 1 2 3

7 2 1 3

9 2 1 3

Total Ranking

1 3 2 0


300

KNN Fold

1 2 3

1 1 2 3

3 2 1 3

5 2 1 3

7 1 2 3

9 1 2 2

Total Ranking

1 3 2 0


45


400

KNN Fold

1 2 3

1 2 1 3

3 1 1 2

5 2 1 3

7 1 1 2

9 1 2 3

Total Ranking

1 3 4 0

Dari tabel 4.4 bisa disimpulkan bahwa model data terbaik yaitu model data 1.

Gambar 4. 26 Perbandingan Jumlah Data Latih dan Akurasi

Dari gambar 4.24 Dapat dilihat bahwa jumlah dari data latih per aksara yang

digunakan sangat berpengaruh dengan akurasi yang didapatkan, karena jika

semakin banyak maka data uji yang akan dimasukan akan miliki banyak

96.390.8

85.677.2

0

20

40

60

80

100

120

20 15 10 5

Akura

si

Jumlah Data Latih per Aksara


46

pembanding yang serupa. Dari penjelasan sebelumnya diharapkan hasil

akurasi akan semakin besar.

Pengujian selanjutnya yaitu pengujian data tunggal. Dalam pengujian ini, data

citra aksara yang dimasukkan ke dalam sistem tidak termasuk dari data

training maupun data testing sebelumnya karena data sebelumnya digunakan

untuk model data training pada saat pengujian data tunggal. Tampilan untuk

melakukan data tunggal dapat dilihat dibawah ini.

Gambar 4. 27 Hasil Uji Klasifikasi Data Tunggal

Untuk menggunakan Sistem di atas, tahap pertama yang harus dilakukan

adalah menginputkan citra dengan cara tekan tombol browse. Setelah itu tekan

tombol processing dimana tombol ini berguna untuk mengolah citra masukan

dan mengambil ciri dari citra olah masukan. Tahap terkahir yang harus

dilakukan adalah tekan tombol klasifikasi, guna dari tombol ini yaitu sistem

akan mengklasifikasikan data inputan baru menjadi data testing dan untuk data

traning yang di gunakan disini yaitu data yang sebelumnya sudah di uji yang

memiliki panjang FCC normalisasi 232. Citra inputan dalam sistem yaitu citra

aksara Ja dan sistem mengenali citra tersebut dengan keluaran hasil Ja, dengan

tambahan waktu sistem untuk klasifikasi dapat dilihat di keterangan “Running

Time”.


47

BAB V

PENUTUP

5.1. KESIMPULAN

Berdasarkan penelitian tentang Alih Aksara Sunda Tulisan Tangan

Menggunakan Motode Ekstraksi Ciri Freeman Chain Code dan

Metode Klasifikasi K-Nearest Neighbor yang telah dilakukan

dapat ditarik kesimpulan :

1. Akurasi yang didapatkan menggunakan data latih sebanyak

500 dan data uji sebanyak 250, dengan panjang ciri kode rantai

FCC 232 serta menggunakan 1 tetangga pada metode

klasifikasi KNN adalah sebesar 93.6%.

2. Panjang kode rantai dari FCC berpengaruh terhadap

keberhasilan metode klasifikasi.

3. Kelemahan dari metode FCC yaitu diharuskannya obyek data

yang akan dilakukan ekstraksi ciri memiliki obyek yang tidak

putus.

4. Jumlah tetangga dalam metode klasifikasi KNN berpengaruh

terhadap hasil akurasi. Semakin banyak tetangga yang dipakai,

hasil akurasi yang didapatkan cenderung semakin rendah.

5. Banyak data training per kelasnya sangat bepengaruh dengan

hasil yang didapatkan. Semakin sedikit jumlah data tingkat

akurasi yang dihasilkan cenderung semakin kecil.

6. Item dalam dataset berpengaruh terhadap hasil akurasi. Bila

dilihat dari hasil penggunaan uji silang K-Fold Cross

Validation yang menghasilkan tingkat akurasi yang berbeda

pada setiap foldnya.


48

5.2.SARAN

Demi mengembangkan sistem yang sudah dibangun ini, adapun

saran yang bisa membuat sistem agar lebih baik adalah :

1. Mengimplemtasikan sistem agar bisa digunakan di

smartphone, agar lebih mudah untuk penggunaannya.

2. Meneruskan penelitian ini sehingga bisa

mentraliterasikan maniskrip – manuskrip aksara Sunda,

sehingga lebih mudah untuk pendigitalisasian naskah

aksara Sunda agar bisa digunakan untuk metode

pengajaran sekolah.

3. Menambahkan data yang digunakan dari yang

sebelumnya berjumlah 30 data set, dengan bertambahnya

data diharapkan hasil yang diapatkan bisa menjadi lebih

baik lagi.


49

DAFTAR PUSTAKA

Amri, H T. 2013.” Pengenalan Aksara Sunda Baku Berbasis Chain Code dan

Hamming Distance ” Fakultas Informatika Institut Teknologi Telkom :

Bandung.

Gonzalez, R.C., Woods, R.E 2002. Digital Image Processing Second Edtion.

Prentice Hall Inc.

Jain, Anil K., Duin, Robert P.W. & Mao, Jianchang. (2000). Statistical Pattern

Recognition. Journal IEEE Transactions on Pattern Analysis and Machine

Intelligence, Vol. 22, No. 1, pp. 4-37.

Kasih Handoyo. 2017 “Transliterasi Nama Jalan Beraksara Jawa”. Program Studi

Teknik Informatika Fakultas Sains dan Teknologi Universitas Sanata

Dharma :Yogyakarta

Kevin, M. 2016 “Analisa dan Implementasi Algoritma Penipisan Kwon-Gi-Kang

Pada Aksara Sunda”. Program Studi Teknik Informatika Fakultas Sains

dan Teknologi Universitas Sanata Dharma :Yogyakarta.

Patil, Renuka., Srinivasan, G.N. (2013). A Survey on Character

Recognition.International Journal of Engineering Sciences Research-

IJESR, Vol. 04,ISSN: 2230-8504.

Polikar, Robi. (2006). Pattern Recognition. Wiley Encyclopedia of Biomedical

Engineering.

Riyanda, R. (2015). Pembangunan Aplikasi Pengenalan Aksara Arab Melayu

Menggunakan Algoritma Freeman Chain Code Dan Support Vector

Machine (SVM). Skripsi. Program Studi Teknik Informatika. Fakultas

Teknik Dan Ilmu Komputer. Universitas Komputer Indonesia.

Suryani NS,Elis. (2011), Kamaheran Jeung Kaparigelan Aksara Sunda, Bogor:

Ghalia Indonesia.

Theodoridis, Sergios & Koutroumbas, Konstantinos. (2009). Pattern Recognition

(4th ed.). Canada: Academic Press.

Vaulin, S. 2009 “Implementasi dan Analisis Pengenalan Huruf Menggunakan

Algoritma Berbasis Chain Code Dan K-Nearest Neighbor” Fakultas

Informatika Institut Teknologi Telkom : Bandung.


50

Widiarti, A R . 2006 “Pengenalan Citra Dokumen Sastra Jawa dan

Implementasinya”. Program Pascasarjana Universitas Gajah

Mada:Yogyakarta.

Widarti, A R & Winarko, E. (2012). Widiarti-Winarko Algorithm for Grouping

Syllables Result from the Javanese Literature Document Image

Recognition. Conference: 16th SEAS International Conference on Computers, at

Kos Island, Greece.

Witten, H Ian dan Frank Eibe. (1998), Data Mining Practical Machine Learning

Tools and Techniques with Java Implementation, San Francisco : Morgan

Kaufmann Publishers.


51

LAMPIRAN

Lampiran 1. Data Set


52


53


54


55


56


57


58


59


60


61


62


63


64


65


66


67


68


69


70


71


72


73


74


75


76


77


78


79


80


81


82

Lampiran 2. Hasil Terbaik Sistem

Actual Predict Status Time

ba ba T 4.594689

ba ba T 8.816884

ba ba T 8.195962

ba ba T 7.916646

ba nya F 8.085306

ba nya F 8.103722

ba ba T 8.043152

ba ba T 8.002087

ba ba T 7.970909

ba nya F 8.770579

ca ca T 7.37775

ca ca T 7.338357

ca ca T 4.385108

ca ca T 4.119678

ca ca T 4.009277

ca ca T 4.166146

ca ca T 4.147949

ca ca T 4.112637

ca ca T 4.112787

ca ca T 4.126361

da da T 4.090122

da da T 4.112251

da da T 4.053425

da da T 4.216081

da da T 4.125986

da da T 4.027196

da va F 4.12212


83

da da T 3.955163

da da T 4.085073

da da T 4.074457

fa fa T 4.072264

fa fa T 4.077652

fa nga F 4.044821

fa fa T 4.014225

fa fa T 4.287162

fa fa T 4.066235

fa fa T 3.978557

fa pa F 4.076823

fa fa T 4.008263

fa fa T 3.998277

ga ga T 4.049832

ga ga T 3.988352

ga nga F 4.005061

ga ga T 3.983458

ga fa F 4.074915

ga ga T 3.984563

ga ga T 4.019364

ga ga T 3.969212

ga ga T 4.109836

ga ga T 4.14113

ha ha T 4.101669

ha ta F 4.073058

ha ha T 4.046593

ha ha T 3.955278

ha ha T 3.923716

ha ha T 3.956365

ha ha T 4.065177

ha ha T 3.997738


84

ha ha T 3.96897

ha ha T 4.090669

ja ja T 4.043301

ja ja T 4.124756

ja ja T 4.055454

ja ja T 4.080361

ja ja T 4.065175

ja ja T 4.087302

ja ja T 4.334477

ja ja T 4.183972

ja ja T 4.131922

ja ja T 4.268315

ka ka T 4.213478

ka ka T 4.168958

ka ka T 4.128985

ka ka T 4.198023

ka ka T 4.178262

ka ka T 4.103539

ka ka T 4.18516

ka ka T 4.267344

ka ka T 4.313383

ka ka T 4.050034

kha kha T 4.155138

kha kha T 4.151181

kha kha T 4.192537

kha kha T 4.219894

kha kha T 4.266207

kha kha T 4.090516

kha kha T 4.103462

kha kha T 4.203551

kha kha T 4.1394


85

kha kha T 4.123748

la la T 4.165682

la ha F 4.184507

la la T 3.999499

la la T 4.171771

la la T 4.148466

la la T 4.069217

la la T 4.118893

la ha F 4.206205

la la T 4.017285

la la T 4.23577

ma ma T 4.039161

ma ma T 4.181141

ma ma T 4.096633

ma ma T 4.05795

ma ma T 4.163659

ma ma T 4.060996

ma ma T 4.089698

ma ma T 4.143453

ma ma T 3.985684

ma ma T 4.08571

na na T 4.116275

na na T 4.183559

na na T 4.168176

na na T 4.039629

na na T 4.162085

na na T 4.256756

na na T 4.024311

na na T 5.922373

na na T 7.719465

na na T 8.06611


86

nga nga T 7.912922

nga nga T 8.118625

nga nga T 8.060983

nga nga T 7.971405

nga nga T 8.004535

nga nga T 7.754956

nga nga T 8.435306

nga nga T 8.466795

nga na F 8.308491

nga nga T 9.342907

nya nya T 8.027189

nya pa F 8.023467

nya nya T 8.227779

nya nya T 8.033011

nya nya T 7.983895

nya nya T 7.966564

nya pa F 7.921485

nya nya T 7.964322

nya nya T 7.952572

nya nya T 7.967419

pa pa T 8.004697

pa pa T 8.250718

pa pa T 8.547591

pa pa T 8.465283

pa pa T 7.904808

pa ga F 7.638755

pa pa T 8.003649

pa pa T 8.078373

pa pa T 8.022028

pa pa T 8.065952

qa qa T 8.358629


87

qa qa T 7.615356

qa qa T 7.341987

qa qa T 5.342199

qa qa T 4.001579

qa qa T 4.011092

qa qa T 4.053097

qa qa T 4.038841

qa qa T 4.019918

qa qa T 4.094845

ra ra T 3.994599

ra ra T 4.0799

ra ra T 3.989675

ra ra T 4.025664

ra ra T 4.002124

ra ra T 3.978308

ra ra T 4.133146

ra ra T 4.16801

ra ra T 4.005048

ra ra T 3.99844

sa sa T 3.996966

sa sa T 4.098728

sa sa T 4.254572

sa sa T 4.417484

sa sa T 4.205236

sa sa T 5.139526

sa sa T 9.238371

sa sa T 8.979396

sa sa T 8.684922

sa sa T 10.4858

sya sya T 9.065523

sya sya T 8.606531


88

sya sya T 8.119128

sya sya T 8.279323

sya sya T 8.234216

sya sya T 8.461614

sya sya T 7.555015

sya sya T 9.738776

sya sya T 7.856807

sya sya T 8.237543

ta ta T 7.537115

ta ta T 7.33574

ta ta T 6.472643

ta ta T 8.28101

ta ta T 8.250987

ta ta T 8.111752

ta ta T 8.116518

ta ta T 8.014248

ta ta T 8.118579

ta ta T 8.057186

va va T 8.115945

va va T 7.947901

va va T 8.105129

va va T 8.050517

va va T 8.205601

va va T 7.823928

va va T 8.041355

va va T 8.041309

va va T 8.127802

va va T 8.077852

wa wa T 8.092994

wa wa T 7.977322

wa ga F 8.176088


89

wa wa T 8.019292

wa wa T 8.028516

wa wa T 9.379196

wa wa T 8.574449

wa wa T 8.106904

wa wa T 8.013714

wa wa T 8.127645

xa xa T 8.149418

xa xa T 8.142977

xa xa T 8.102787

xa xa T 8.145759

xa xa T 8.169422

xa xa T 8.181401

xa xa T 7.979994

xa xa T 7.656399

xa xa T 7.970828

xa xa T 7.919981

ya ya T 8.058783

ya ya T 8.058601

ya ya T 8.043092

ya ya T 8.092451

ya ya T 7.995619

ya ya T 7.989056

ya ya T 8.135793

ya ya T 8.056464

ya ya T 8.013485

ya ya T 7.939444

za za T 7.983039

za za T 7.99901

za za T 7.926464

za za T 7.889401


90

za za T 7.97074

za za T 7.929287

za za T 8.03484

za za T 8.013938

za za T 8.119335

za za T 7.977791

Akurasi 93.6

Total Time 1512.404

Average Time 6.049617


Documents

ALIH AKSARA SUNDA TULISAN TANGAN ...repository.usd.ac.id/35194/2/155314062_full.pdfALIH AKSARA SUNDA TULISAN TANGAN MENGGUNAKAN METODE EKSTRAKSI CIRI FREEMAN CHAIN CODE (FCC) DAN METODE