Upload
vuongthu
View
226
Download
0
Embed Size (px)
Citation preview
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2018
DETEKSI BULLET PADA FORM PENGAMBILAN MATA
KULIAH MENGGUNAKAN PROJECTION PROFILE
SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Disusun oleh:
Muhammad Bowi Prabono
135314042
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2018
i
DETEKSI BULLET PADA FORM PENGAMBILAN MATA
KULIAH MENGGUNAKAN PROJECTION PROFILE
SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Disusun oleh:
Muhammad Bowi Prabono
135314042
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
INFORMATICS ENGINEERING STUDY PROGRAM
FACULTY OF SAINS AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2018
ii
BULLET DETECTION ON COURSES TAKING FORM USING
PROJECTION PROFILE
THESIS
Presented as Partial Fulfilment of Requirements
To Obtain Sarjana Komputer Degree
In Informatics Engineering Department
By:
Muhammad Bowi Prabono
135314042
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
v
HALAMAN MOTTO DAN PERSEMBAHAN
“Success is no accident, it is hard work, perseverance learning, sacrifice and most
of all love what you do.”
(Pele)
Karya ini saya persembahkan kepada:
Tuhan Yang Maha Esa
Kedua orang tua, adek, cinta, dan teman-teman yang senantiasa memberikan
dukungan, semangat, doa, dan motivasi.
Pendidikan di Indonesia.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
ABSTRAK
Bimbingan Rencana Studi (BRS) adalah kegiatan rutin yang dilakukan pada
awal semester oleh mahasiswa dan dosen dalam pengambilan mata kuliah
mahasiswa di Universitas Sanata Dharma (USD). BRS dibagi menjadi dua jenis
kegiatan, yaitu BRS Klasikal dan BRS Online. Saat ini pemanfaatan BRS Klasikal
masih sangat kecil. BRS Online saat ini sudah menggunakan sistem komputer.
Walaupun sudah menggunakan sistem komputer, tapi masih terdapat banyak
kendala pada saat pengambilan mata kuliah.
Dalam pengambilan mata kuliah sering kali mahasiswa tidak mendapat
jadwal yang sesuai dengan yang sudah diisi pada saat BRS Klasikal. Kurangnya
dokumen atau administrasi yang harus diselesaikan menjadi hambatan mahasiswa
untuk dapat mengikuti BRS Online. Penelitian ini bermaksud untuk
mempermudah kegiatan BRS dengan pemanfaatan BRS Klasikal. Dengan
menggunakan bullet pada saat pemilihan mata kuliah di BRS Klasikal, sekretariat
dan dosen akan lebih mudah mengetahui kapasitas dan keinginan kelas yang
diinginkan mahasiswa.
Penelitian ini dilakukan dengan menggunakan 30 lembar jadwal kuliah
mahasiswa yang sudah dimodifikasi dengan bullet, dan sudah di-scan dengan
format .jpg. Dengan menggunakan projection profile untuk mendeteksi setiap
baris dan kolom pixel, diperoleh rata-rata tingkat keberhasilan sebesar
97.15767%.
Kata kunci: Projection Profile, Deteksi Bullet
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ix
ABSTRACT
Bimbingan Rencana Studi (BRS) is a routine activity conducted at the
beginning of the semester by students and lecturers in taking of student courses at
Sanata Dharma University (SDU). BRS divided into two types of activity, BRS
Classical and BRS Online. Currently the utilization of BRS Classical is very small.
BRS Online system already based on computer. Even the system already based on
computer, but there’s still many problems while taking student courses.
In the course of taking courses often students do not get a schedule the same
like what was filled while BRS Classical. The lack of documents or administration
that must be resolved becomes a barrier for students to be able to do BRS Online.
This research intends to make BRS more easier with utilization of BRS Classical.
With using bullet while choosing courses in BRS Classical, secretariat and lecturer
does will more easier to identify capacity and class that students need.
This research using 30 sheets of students college schedule that has been
modified with bullet, and has been scanned with .jpg format. Using projection
profile to identify every pixels row and column, obtained an average of success
rate of 97.15767%.
Keyword: Projection Profile, Bullet Detection
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
x
KATA PENGANTAR
Puji dan syukur saya sembahkan kepada Tuhan Yang Maha Esa atas segala
rahmat yang diberikan kepada penulis sehingga dapat menyelesaikan tugas akhir
dengan judul “Deteksi Bullet Pada Form Pengambilan Mata Kuliah Menggunakan
Projection Profile”.
Dalam penyelesaian tugas akhir ini, penulis tidak lepas dari bantuan dan
dukungan dari sejumlah pihak. Dalam kesempatan ini penulis ingin mengucapkan
terima kasih kepada:
1. Tuhan Yang Maha Esa atas segala rahmat yang diberikan.
2. Ibu Dr. Anastasia Rita Widiarti selaku dosen pembimbing skripsi dan
Ketua Program Studi Teknik Informatika Universitas Sanata Dharma
atas saran, waktu, dan kesabaran dalam membimbing penulis.
3. Papa Prabono, Mama Prabono, dan Adek Prabono yang senantiasa
selalu memberikan semangat, dukungan dan doa.
4. Ririn Nur Hidayati yang selalu ada setiap saat dan waktu memberikan
dukungan, waktu, kesabaran, doa, dan cintanya kepada penulis untuk
dapat menyelesaikan tugas akhir ini.
5. Filemon Kristian Novarimawan yang selalu ada untuk bertukar
pikiran dan memberikan semangat serta berjuang bersama dalam
penyelesaian tugas akhir ini.
6. Br. Yohanes Sarju, S.J., M.M. yang selalu membantu penulis setiap
kali ada masalah.
7. Seluruh dosen yang telah memberikan ilmunya dalam perkuliahan dan
tugas akhir ini.
8. Seluruh teman-teman di Universitas Sanata Dharma yang telah
memberikan dukungan dan doanya.
9. Seluruh pihak yang tidak dapat disebutkan satu per satu.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
DAFTAR ISI
HALAMAN JUDUL ................................................................................................ i
TITLE PAGE .......................................................................................................... ii
HALAMAN PERSETUJUAN ............................................................................... iii
HALAMAN PENGESAHAN ................................................................................ iv
HALAMAN MOTTO DAN PERSEMBAHAN ...................................................... v
PERNYATAAN KEASLIAN HASIL KARYA .................................................... vi
LEMBAR PERNYATAAN PERSETUJUAN ..................................................... vii
ABSTRAK ........................................................................................................... viii
ABSTRACT ........................................................................................................... ix
KATA PENGANTAR ............................................................................................. x
DAFTAR ISI ......................................................................................................... xii
BAB I PENDAHULUAN ........................................................................................ 1
1.1 Latar Belakang ...................................................................................... 1
1.2 Rumusan Masalah ................................................................................. 3
1.3 Tujuan Penelitian .................................................................................. 3
1.4 Batasan Masalah .................................................................................... 3
1.5 Manfaat Penelitian ................................................................................ 4
1.6 Metode Penelitian .................................................................................. 4
1.7 Sistematika Penulisan ............................................................................ 6
BAB II LANDASAN TEORI .................................................................................. 8
2.1 Pengertian Citra dan Citra Digital ......................................................... 8
2.2 Citra Grayscale ..................................................................................... 8
2.3 Citra Biner ............................................................................................. 9
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
2.4 Projection Profile ................................................................................ 10
2.5 Optical Character Recognition ........................................................... 11
BAB III METODE PENELITIAN ........................................................................ 12
3.1 Data ..................................................................................................... 12
3.2 Peralatan Penelitian ............................................................................. 13
3.3 Teknik Pengumpulan Data .................................................................. 14
3.4 Perancangan dan Desain Alat Uji ....................................................... 14
3.4.1 Gambaran Umum Sistem ........................................................... 14
3.4.2 Alur Sistem ................................................................................ 14
3.4.3 Cara Pengujian ........................................................................... 20
BAB IV IMPLEMENTASI SISTEM .................................................................... 21
4.1 Proses Input Citra ................................................................................ 21
4.2 Grayscaling ......................................................................................... 22
4.3 Binerisasi ............................................................................................. 23
4.4 Horizontal Projection Profile ............................................................. 24
4.5 Vertical Projection Profile .................................................................. 25
4.6 Deteksi Bullet ...................................................................................... 25
4.7 Optical Character Recognition ........................................................... 26
BAB V HASIL DAN ANALISA ........................................................................... 27
5.1 Data Citra ............................................................................................ 27
5.2 Pengujian Horizontal Projection Profile............................................. 28
5.3 Hasil Pengujian Horizontal Projection Profile ................................... 31
5.4 Pengujian Vertical Projection Profile ................................................. 34
5.5 Hasil Pengujian Vertical Projection Profile........................................ 35
5.6 Pengujian Deteksi Bullet ..................................................................... 41
5.7 Hasil Pengujian Deteksi Bullet ............................................................ 42
BAB VI KESIMPULAN DAN SARAN ............................................................... 45
6.1 Kesimpulan ......................................................................................... 45
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiv
6.2 Saran .................................................................................................... 45
DAFTAR PUSTAKA ............................................................................................ 47
LAMPIRAN ........................................................................................................... 49
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xv
DAFTAR GAMBAR
Gambar 1.1 Skema Proses Analisis Citra Lembar Jadwal Kuliah ........................... 4
Gambar 2.1 Citra Grayscale .................................................................................... 9
Gambar 2.2 Citra Biner .......................................................................................... 10
Gambar 3.1 Contoh Jadwal Mata Kuliah Dengan Bullet ....................................... 12
Gambar 3.2 Contoh Pengisian Bullet ..................................................................... 14
Gambar 3.3 Diagram Alur Sistem .......................................................................... 15
Gambar 3.4 Flowchart Proses Deteksi Bullet ........................................................ 18
Gambar 3.5 Horizontal Projection Profile............................................................. 20
Gambar 3.6 Vertical Projection Profile ................................................................. 20
Gambar 4.1 Tampilan Interface uigetfile ............................................................... 21
Gambar 4.2 Hasil Fungsi imread ........................................................................... 22
Gambar 4.3 Hasil rgb2gray (Citra Asli – Citra Grayscale) ................................... 23
Gambar 4.4 Hasil Citra Biner (Citra Grayscale – Citra Biner).............................. 24
Gambar 4.5 Hasil Horizontal Projection Profile ................................................... 24
Gambar 4.6 Hasil Vertical Projection Profile........................................................ 25
Gambar 4.7 Hasil Deteksi Bullet ............................................................................ 26
Gambar 4.8 Hasil Optical Character Recognition ................................................. 26
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvi
Gambar 5.1 Citra Lembar Jadwal Kuliah bullet_3-2.jpg ....................................... 29
Gambar 5.2 Citra Biner Lembar Jadwal Kuliah bullet_3-2.jpg ............................. 30
Gambar 5.3 Hasil Potong bullet_3-2.jpg Baris 4 ................................................... 31
Gambar 5.4 Contoh Horizontal Projection Profile Dengan Error ........................ 31
Gambar 5.5 Hasil Vertical Projection Profile........................................................ 34
Gambar 5.6 Hasil Pengujian Deteksi Bullet ........................................................... 41
Gambar 5.7 Bullet Error Dengan Coretan Panjang ............................................... 44
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvii
DAFTAR TABEL
Tabel 5.1 Data Citra Lembar Jadwal Kuliah .......................................................... 27
Tabel 5.2 Hasil Horizontal Projection Profile Lembar Jadwal Kuliah ................. 32
Tabel 5.3 Hasil Vertical Projection Profile ........................................................... 35
Tabel 5.4 Hasil Deteksi Bullet ............................................................................... 42
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
DAFTAR RUMUS
Rumus 2.1 ................................................................................................................ 8
Rumus 2.2 ................................................................................................................ 9
Rumus 5.1 .............................................................................................................. 33
Rumus 5.2 .............................................................................................................. 33
Rumus 5.3 .............................................................................................................. 33
Rumus 5.4 .............................................................................................................. 41
Rumus 5.5 .............................................................................................................. 41
Rumus 5.6 .............................................................................................................. 41
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Bimbingan Rencana Studi (BRS) adalah kegiatan rutin yang dilaksanakan
setiap awal semester oleh mahasiswa dan Dosen Pembimbing Akademik (DPA)
untuk menentukan rencana studi mahasiswa. BRS dibagi menjadi dua, yaitu BRS
Klasikal dan BRS Online. BRS Klasikal merupakan kegiatan bimbingan secara
lisan dari Dosen Pembimbing Akademik (DPA) kepada mahasiswa. Pada BRS
Klasikal, dosen akan membimbing setiap mahasiswa untuk menentukan mata
kuliah yang dapat diambil pada semester selanjutnya. BRS Online merupakan
kegiatan yang dilakukan oleh mahasiswa untuk mengambil mata kuliah yang
diinginkan menggunakan komputer. BRS Online hanya dapat diakses dengan
menggunakan komputer kampus yang terhubung dengan jaringan intranet --
sebuah jaringan pribadi (private network) yang menggunakan protokol-protokol
internet (TCP/IP), untuk membagi informasi rahasia perusahaan atau operasi
dalam perusahaan tersebut kepada karyawannya-- Universitas Sanata Dharma
(USD).
BRS Klasikal dan BRS Online dilaksanakan pada jadwal yang berbeda.
BRS Klasikal akan dimulai lebih dulu dengan tujuan untuk mengetahui jumlah
kebutuhan kelas yang diperlukan pada saat BRS Online. BRS Online
dilaksanakan satu minggu setelah BRS Klasikal. Pada saat BRS Online
mahasiswa berlomba-lomba untuk mengambil mata kuliah yang diinginkan,
karena tidak semua kelas akan tersedia.
Berdasarkan kuesioner yang disebarkan secara online dengan total 50
responden, didapatkan hasil lebih dari 50% responden menyatakan pernah
mengalami kendala pada saat BRS. Kendala yang paling sering dihadapi oleh
mahasiswa yaitu tidak stabilnya jaringan pada saat BRS Online. Kurangnya kuota
kelas juga dikeluhkan oleh mahasiswa karena pada saat BRS Klasikal banyak
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
mahasiswa memilih dosen yang sama. Kurangnya kuota kelas dikarenakan
manualnya pengecekan lembar-lembar pada saat BRS Klasikal. Kendala-kendala
seperti ini akan membuat pihak dosen dan sekre bekerja dua kali lebih banyak,
karena harus memastikan mahasiswa yang tidak dapat kelas menjadi harus
mendapatkan kelas yang diinginkan.
Kendala-kendala tersebut dapat diatasi dengan memanfaatkan BRS Klasikal
untuk menentukan jumlah mahasiswa yang ingin mengambil kelas dengan cepat.
Untuk membuat BRS Klasikal dapat menentukan jumlah kelas dengan cepat,
maka kertas lembar jadwal kuliah harus dimodifikasi dengan ditambah bullet.
Pada penelitian ini dapat menggunakan metode projection profile dalam
menentukan lokasi bullet pada lembar jadwal kuliah dengan membaca titik
horizontal dan vertikal dari bullet.
Penelitian (Surinta, O. 2009) dengan topik Optimization of Line
Segmentation Techniques for Thai Handwritten Documents, menggunakan
metode projection profile untuk segmentasi garis secara horizontal dengan tingkat
akurasi akhir sebesar 97.11%. (Sulem, Laurence L., dkk, 2006) melakukan
penelitian tentang Text Line Segmentation of Historical Documents: a Survey dan
Line and Word Segmentation Approach for Printed Documents yang membahas
tentang vertical projection profile dapat mempermudah mencari tingkat akurasi
untuk segmentasi garis secara vertikal. Sehingga metode projection profile
memungkinkan untuk dapat menyelesaikan permasalahan yang terjadi dalam
menentukan jumlah kelas yang diambil saat BRS Klasikal. Dengan itu penulis
akan mengambil topik tugas akhir dengan judul “DETEKSI BULLET PADA
FORM PENGAMBILAN MATA KULIAH MENGGUNAKAN PROJECTION
PROFILE”.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
1.2 Rumusan Masalah
Berdasarkan latar belakang, maka terdapat rumusan masalah yang dapat
disimpulkan adalah:
1. Bagaimana tingkat akurasi projection profile dalam deteksi bullet?
1.3 Tujuan Penelitian
Berdasarkan rumusan masalah yang didapat, maka tujuan dari penelitian ini
adalah untuk:
1. Mengetahui tingkat akurasi projection profile dalam deteksi bullet.
1.4 Batasan Masalah
Batasan-batasan masalah pada penelitian ini yaitu:
1. Sampel citra lembar jadwal kuliah diambil menggunakan mesin
scanner Canon LIDE 120.
2. Citra lembar jadwal kuliah dengan format *.jpg.
3. Lembar jadwal kuliah harus memiliki bullet kosong (bullet dengan
warna dalam putih).
4. Mahasiswa harus mengisi bullet pada lembar jadwal kuliah
menggunakan pensil dengan tingkat ketebalan minimal 2B.
5. Kertas hasil scan dalam keadaan rapi tanpa tertekuk.
6. Kertas tidak terbalik pada saat di-scan.
7. Posisi kertas yang akan di-scan harus tegak lurus.
8. Kertas lembar jadwal kuliah menggunakan kertas HVS dengan ukuran
A4.
9. Bagian bullet tidak tertutup dengan debu atau benda apa pun.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
1.5 Manfaat Penelitian
1. Bagi Penulis
Penulis dapat mengetahui, menerapkan dan mendalami ilmu-ilmu
yang telah dipelajari selama membuat proposal tugas akhir ini tentang
pemrosesan citra dan projection profile.
2. Bagi Universitas Sanata Dharma
Universitas Sanata Dharma dapat menerapkan dan merancang sistem
ini ke seluruh fakultas dengan tujuan mempermudah dan mempercepat
kegiatan BRS. Sistem deteksi bullet ini juga akan menghindari kesalahan-
kesalahan yang mungkin terjadi di setiap fakultas selama BRS.
3. Bagi Pembaca
Penelitian ini diharapkan dapat memberi pengetahuan kepada para
pembaca mengenai projection profile terutama di dalam bidang deteksi
bullet.
1.6 Metode Penelitian
Penelitian ini dilakukan dengan proses analisis citra lembar jadwal kuliah
dengan skema yang digambarkan sebagai berikut:
Gambar 1.1 Skema Proses Analisis Citra Lembar Jadwal Kuliah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
1. Input Citra Lembar Jadwal Kuliah
Tahap awal dari penelitian ini yaitu pengambilan data lembar jadwal
kuliah secara digital dengan alat bantu mesin scanner. Lembar jadwal kuliah
yang sudah melalui proses digitalisasi disimpan dengan format gambar
*.jpg.
2. Grayscaling
Citra lembar jadwal kuliah akan dubah menjadi citra grayscale atau
citra abu-abu unuk dapat diproses ke citra hitam putih.
3. Binerisasi
Citra lembar jadwal kuliah akan diubah menjadi citra hitam putih.
Warna hitam merupakan citranya, dan warna putih merupakan latar
belakang (background).
4. Projection Profile
Citra lembar jadwal kuliah hitam putih akan dipotong secara
horizontal untuk mendapatkan setiap baris dari mata kuliah. Hasil dari setiap
baris akan dilakukan perulangan untuk dipotong secara vertikal untuk
mendapatkan setiap karakter termasuk bullet.
5. Deteksi Bullet
Deteksi setiap citra potongan vertikal untuk dapat dinyatakan sebagai
bullet atau bukan. Setiap potongan akan dideteksi secara terurut dan hanya
pada baris mata kuliah saja.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
6. Text Regocnition (OCR)
Tahap terakhir dalam deteksi bullet adalah menyatakan nama bullet
tersebut. Hasil citra vertikal yang dinyatakan bullet akan diberi nama sesuai
dengan kode mata kuliahnya pada kolom selanjutnya. Setiap teks karakter
akan dibaca untuk dinyatakan sebagai nama dari bullet.
1.7 Sistematika Penulisan
BAB I PENDAHULUAN
Bab ini menjelaskan latar belakang, rumusan masalah,
tujuan penelitian, batasan masalah, manfaat penelitian, metode
penelitian dan sistematika penulisan dari penelitian yang akan
dilakukan.
BAB II LANDASAN TEORI
Bab ini berisi tentang teori-teori yang digunakan untuk
memecahkan masalah yang akan diteliti. Teori yang dibahas
berupa pengertian citra, pengertian projection profile, tujuan
projection profile, algoritma projection profile, dan metode yang
menjadi landasan utama penelitian.
BAB III ANALISIS DAN DESAIN PENELITIAN
Bab ini akan membahas analisa dan perancangan sistem
yang akan dibuat, data yang akan diolah, rincian tahap-tahap
penelitian, dan rancangan proses.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
BAB IV IMPLEMENTASI SISTEM
Bab ini berisi implementasi dari deteksi bullet dengan
menggunakan projection profile dengan perancangan sistem
yang telah dibuat pada bab III.
BAB V HASIL DAN ANALISA
Bab ini berisi tentang data-data yang digunakan,
pengujian, hasil pengujian, dan analisa hasil implementasi
deteksi bullet dengan menggunakan projection profile.
BAB VI KESIMPULAN DAN SARAN
Bab ini berisi tentang kesimpulan dan saran dari
perancangan, implementasi, dan hasil analisa.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
BAB II
LANDASAN TEORI
2.1 Pengertian Citra dan Citra Digital
Kata citra berasal dari kata image dalam bahasa Inggris. Secara umum citra
terbagi menjadi citra tampak dan citra tak tampak. Citra tampak dapat berupa
lukisan, foto, dan gambar cetakan lainnya, sedangkan citra tak tampak biasanya
disebut dengan citra digital. Pada penelitian ini data citra yang digunakan yaitu
citra digital yang dapat diolah menggunakan komputer.
Citra adalah fungsi intensitas dua dimensi (2-D) f(x, y), dimana x dan y
adalah koordinat spasial, dan f pada titik (x, y) merupakan tingkat kecerahan
(brightness) suatu citra pada suatu titik. Ketika x, y, dan nilai intensitas f-nya
terbatas, maka disebut dengan citra digital (Gonzales dan Woods, 1992). Citra
digital digambarkan ke dalam bentuk matriks yang terdiri dari baris dan kolom, di
mana setiap pasangan indeks baris dan kolom menyatakan suatu titik pada citra.
2.2 Citra Grayscale
Citra grayscale (abu-abu) adalah citra yang nilai intensitas pixel-nya
berdasarkan derajat keabuan. Citra grayscale setiap gambar memiliki intensitas
antara 0 (hitam) hingga 255 (putih) dalam citra 8 bit-nya. Pada citra grayscale
tidak ada lagi warna, yang ada adalah derajat keabuan. Perhitungan untuk
mendapatkan nilai dari grayscale, maka dilakukan konversi dengan mengambil
nilai rata-rata pada tiga keping warna, yaitu red (r), green (g), dan blue (b).
(2.1)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
Gambar 2.1 Citra Grayscale
2.3 Citra Biner
Citra biner (binary image) adalah citra yang hanya mempunyai dua nilai
derajat keabuan, yaitu hitam dan putih. Citra biner berbeda dengan citra hitam
putih (grayscale). Warna pada citra biner hanya dinyatakan dengan angka 1 dan 0.
Untuk pixel objek bernilai 1 (hitam) dan pixel latar belakang bernilai 0 (putih).
Meskipun saat ini citra warna lebih diminati, tapi hal tersebut tidak membuat citra
biner mati. Saat ini citra biner lebih banyak digunakan untuk beberapa instansi
dan perusahaan, misalkan citra barcode pada suatu produk, citra logo instansi
(logo yang hanya terdiri dari warna hitam dan putih, pada dasarnya bukan sebagai
logo utama), citra dokumen teks, dan sebagainya.
Konversi citra grayscale ke citra biner dilakukan dengan operasi
pengambangan (thresholding). Operasi pengambangan mengelompokkan nilai
derajat keabuan setiap pixel ke dalam 2 kelas, hitam dan putih. Secara umum
proses binerisasi dari citra grayscale didefinisikan sebagai berikut (Gonzales dan
Woods, 1992):
g , 1, ,0, ,
(2.2)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
Gambar 2.2 Citra Biner
2.4 Projection Profile
Projection profile sering kali digunakan untuk segmentasi karakter, kata,
dan garis (Surinta, O., 2009). Projection profile kebanyakan digunakan pada
segmentasi dokumen yang tercetak. Teknik ini juga dapat digunakan pada
dokumen dengan tulisan tangan (Sulem, Laurence L., dkk., 2006). Pada penelitian
ini akan menggabungkan antara dokumen cetakan digital dan tulisan tangan yang
berbentuk bullet (lingkaran).
Horizontal Projection Profile merupakan teknik segmentasi garis dasar.
(Surinta, O., 2009) horizontal projection profile didapatkan dengan
menjumlahkan nilai pikels sepanjang garis horizontal (sumbu-x) untuk setiap
baris (sumbu-y). (Tripathy, N., dkk., 2006) mengemukakan teknik garis untuk
vertical projection profile. Teknik ini akan memisahkan setiap karakter yang tidak
terhubung. Setelah karakter terpisah, horizontal projection profile akan membagi
ke dalam beberapa baris.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
2.5 Optical Character Recognition
Optical Character Recognition (OCR) adalah sebuah aplikasi komputer
yang digunakan untuk mengidentifikasi citra huruf maupun angka untuk
dikonversi ke dalam bentuk file tulisan (Hartanto, S. 2015). Dengan menggunakan
sistem OCR akan meningkatkan fleksibilitas atau kemampuan dan kecerdasan
sistem komputer dalam mendeteksi huruf. Sistem pengenalan huruf dengan
menggunakan metode OCR akan mempermudah dalam menentukan nama mata
kuliah pada bullet. Semakin cerdas sistem pengenalan hurufnya akan
meningkatkan nilai akurasi dalam menentukan nama mata kuliah.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
BAB III
METODE PENELITIAN
3.1 Data
Data yang digunakan dalam penelitian ini adalah citra lembar jadwal kuliah
Teknik Informatika (TI) USD yang sudah dimodifikasi dengan bullet di setiap
mata kuliah. Citra didapat menggunakan mesin scanner dengan aturan kertas
berwarna grayscale, panjang kertas A4, dan format *.jpg. Jumlah data yang
digunakan sebanyak 30 citra lembar jadwal kuliah dengan titik bullet yang
berbeda pada setiap lembarnya.
Gambar 3.1 Contoh Jadwal Mata Kuliah Dengan Bullet
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
3.2 Peralatan Penelitian
Sistem deteksi bullet dapat berjalan dengan baik dengan adanya perangkat
keras dan perangkat lunak yang cukup. Perangkat keras minimal yang dibutuhkan
dalam pembuatan sistem deteksi bullet ini adalah komputer/laptop dengan
spesifikasi minimal sebagai berikut:
1. Windows
1) Windows 7 Service Pack 1
2) Prosesor Intel atau AMD x86-64
3) 6 GB kapasitas kosong
4) 2 GB RAM DDR 3
2. Mac
1) macOS Sierra (10.12)
2) Prosesor Intel atau AMD x86-64
3) 6 GB kapastias kosong
4) 2 GB RAM DDR 3
3. Linux
1) Ubuntu 14.04 LTS / Red Hat Enterprise Linux 6 / SUSE Linux
Enterprise Desktop 12 / Debian 8.x
2) Prosesor Intel atau AMD x86-64
3) 6 GB kapasitas kosong
4) 2 GB RAM DDR 3
Perangkat keras yang dibutuhkan lainnya yaitu Scanner yang berguna untuk
melakukan pemindaian kertas lembar jadwal kuliah. Scanner yang digunakan
dalam penelitian ini adalah Canon LIDE 120 dengan resolusi 300 dpi. Kebutuhan
perangkat lunak untuk pembuatan sistem deteksi bullet adalah Matlab R2017a.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
3.3 Teknik Pengumpulan Data
Lembar jadwal kuliah yang dicetak akan diisi bullet oleh setiap mahasiwa
TI pada saat BRS Klasikal. Setelah data didapatkan, selanjutnya lembar jadwal
kuliah akan di-scan menggunakan mesin scanner dengan format yang sudah
diatur sebelumnya.
(a) Posisi bullet benar (b) Bullet tidak mengisi lingkaran
(c) Bullet di Luar Lingkaran (d) Bukan Berbentuk Bullet
Gambar 3.2 Contoh Pengisian Bullet
3.4 Perancangan dan Desain Alat Uji
3.4.1 Gambaran Umum Sistem
Gambaran umum sistem dimulai dari user memasukkan citra lembar
jadwal kuliah dengan format *.jpg dari hasil scan lembar jadwal kuliah.
Input dari user akan diproses melalui pre-processing, projection profile,
deteksi bullet dan deteksi huruf OCR. Output dari citra lembar jadwal kuliah
berupa kode mata kuliah yang diambil dan hasil bullet-nya.
3.4.2 Alur Sistem
Alur sistem dimulai dari hasil masukan user berupa citra lembar
jadwal kuliah dengan format .jpg. Citra yang sudah masuk akan melalui
tahap pre-processing berupa binarisasi dengan tahapan grayscale terlebih
dahulu, kemudian citra grayscale akan diubah ke citra biner. Setelah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
binerisasi citra akan dideteksi menggunakan projection profile secara
horizontal untuk mendapatkan baris yang memiliki jumlah pixels. Jumlah
pixels yang tidak memiliki isi (putih polos) akan dihapus, sehingga
menghasikan puluhan citra baris baru. Citra baris akan dideteksi dengan
projection profile secara vertikal untuk mendapatkan citra bullet dan citra
kode mata kuliah secara terpisah. Potongan akhir dari projection profile
secara vertikal akan dideteksi apakah berupa bullet yang berisi atau bukan.
Jika bullet terdeteksi maka sistem akan membaca citra kode mata kuliah
dengan metode OCR. Output dari keseluruhan proses berupa citra bullet
dengan nama citra berupa kode mata kuliah yang sesuai dengan bullet
tersebut.
Gambar 3.3 Diagram Alur Sistem
1. Input Citra Lembar Jadwal Kuliah
User pertama kali akan memilih citra lembar jadwal kuliah
untuk di-input ke variabel Matlab. Citra yang sudah dipilih akan
disimpan ke dalam variabel dengan nama file. Variabel file merupakan
citra asli dari lembar jadwal kuliah yang belum dikenai proses pre-
processing.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
2. Grayscaling
File citra asli yang sudah di-input akan diubah ke citra
grayscale. Citra grayscale merupakan citra dengan nilai intensitas
keabuan. Untuk mengubah citra red, green, dan blue (rgb) ke citra
grayscale, nilai dari setiap keping warna rgb dijumlah dan dibagi tiga.
Hasil dari perhitungan nilai rgb tersebut akan menghasilkan nilai rata-
rata dari tiga nilai keping. Konversi citra rgb ke citra grayscale dapat
dilakukan dengan fungsi dari matlab yaitu rgb2gray.
3. Binerisasi
Citra hasil grayscale selanjutnya akan dikonversi ke citra biner.
Citra biner merupakan citra yang hanya terdiri dari dua nilai pixel,
yaitu 0 dan 1. Konversi citra grayscale ke citra biner dilakukan
dengan operasi thresholding (pengambangan). Thresholding
mengelompokan derajat citra keabuan ke dalam dua kelas, hitam dan
putih. Konversi citra grayscale dilakukan dengan fungsi matlab yaitu
im2bw.
4. Projection Profile
File citra yang sudah dikonversi ke citra biner akan dideteksi
setiap baris pixel-nya atau biasa disebut dengan line segmentation.
(Sulem, Laurence L., dkk., 2006) dan (Surinta, O., 2009) melakukan
segmentasi garis dengan tingkat keberhasilan di atas 90%. Dengan
menjumlahkan setiap baris pixel dan menghilangkan baris yang tidak
terhubung, maka akan didapatkan hasil dari setiap baris yang
diperlukan atau disebut dengan baris bullet.
(Tripathy, N., dkk., 2006) mengemukakan teknik garis pada
vertical projection profile. Teknik ini akan menghitung pixel setiap
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
kolom dan menghilangkan kolom yang tidak terhubung. Vertical
projection profile yang digunakan akan menggabungkan teknik
tersebut dengan nilai titik potong minimal. Projection profile secara
vertikal ini akan menghasilkan potongan gambar yang berupa bullet,
kata, dan karakter atau disebut dengan kolom bullet.
5. Deteksi Bullet
Potongan gambar dari segmentasi garis akan dideteksi secara
keseluruhan. Teknik (Surinta, O., 2009) dan (Tripathy, N., dkk., 2006)
digunakan untuk mengetahui isi pixel dari setiap baris dan kolom.
Hasil dari setiap pixel akan diproses ciri untuk diketahui gambar
tersebut termasuk bullet atau bukan. Potongan gambar tidak akan
dinyatakan sebagai bullet jika tidak memenuhi salah satu ciri yang
ada.
Citra bullet sebelum dideteksi dengan ciri pertama harus
dinyatakan bahwa panjang dari citra bullet lebih besar dari 20 dan
kurang dari 35. Citra dengan panjang lebih dari 35 bukan berupa citra
bullet, melainkan citra kode mata kuliah dan citra nama mata kuliah.
Jika persyaratan utama tidak ditentukan maka setiap citra hasil potong
vertical projection profile akan dideteksi dan mengurangi efisiensi
waktu proses. Citra yang memenuhi syarat utama selanjutnya akan
dideteksi dengan ciri sebagai berikut:
1. Panjang pixel baris dikurang kolom berjumlah kurang dari 5.
Jika panjang baris dikurang kolom kurang dari 0 atau minus,
maka panjang hasil tersebut akan dikalikan dengan -1 (negatif
satu).
2. Sisi atas, bawah, kanan, dan kiri bernilai lebih dari 0.
3. Sudut atas kiri, atas kanan, bawah kanan, dan bawah kiri harus
bernilai 0.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
4. Jumlah pixel hitam bernilai lebih dari 60% dari total seluruh
pixel.
Gambar 3.4 Flowchart Proses Deteksi Bullet
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
Ciri-ciri tersebut didapat dari hasil trial and error dengan hasil
terbaik yang dipilih. Pada ciri pertama jika panjang pixel baris
dikurang kolom kurang lebih dari 5 maka citra bullet salah, citra nama
mata kuliah, citra kode mata kuliah juga akan melalui proses yang
menyebabkan waktu proses akan lebih lama. Pada ciri kedua setiap
bagian pixel atas, bawah, kanan, dan kiri jika salah satunya tidak
bernilai lebih dari 0 maka tidak akan dinyatakan sebagai bullet karena
citra bullet akan memenuhi setiap bagian dari citranya. Sama seperti
ciri kedua, ciri ketiga juga memastikan bahwa setiap sudut citra, yaitu
atas kiri, atas kanan, bawah kanan, dan bawah kiri bernilai 0 karena
bentuk dari bullet merupakan lingkaran dan tidak akan mengisi sudut
citra dengan pixel hitam.
Pada ketiga ciri pertama, merupakan ciri exception
(pengecualian) untuk membuat waktu proses semakin efisien dan
menghilangkan bagian yang bukan bullet untuk ikut diproses. Ciri
terakhir merupakan penentu dari semua ciri yang ada. Ciri terakhir
6. Optical Character Recognition
Potongan gambar yang sudah dinyatakan sebagai bullet akan
diberi nama sesuai dengan lokasi bullet-nya. Potongan gambar berupa
nama bullet berada di index setelah index lokasi bullet. Potongan
gambar tersebut dikonversi ke dalam bentuk text dengan
menggunakan metode Optical Character Recognition (OCR). OCR
akan mendeteksi setiap pixel terhubung dan mencocokannya dengan
template yang dimiliki. Konversi file gambar menjadi text dengan
OCR dapat dilakukan dengan fungsi yang sudah disediakan di matlab
yaitu ocr.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
3.4.3 Cara Pengujian
Setelah melalui proses pre-processing (grayscaling dan binerisasi),
citra akan diproses dengan menggunakan projection profile. Projection
profile digunakan untuk membaca jumlah pixels baris dan kolom pada
setiap baris dan kolom. Pertama projection profile akan membaca jumlah
pixels secara horizontal. Jumlah pixels yang kosong atau berada di bawah
ketentuan akan dihapus, sedangkan jumlah pixels yang berisi atau sesuai
ketentuan akan disimpan untuk dilanjutkan deteksi vertikal (Gambar 3.5).
Sama seperti deteksi horizontal, deteksi jumlah pixels vertikal juga akan
menghapus kolom kosong dengan ketentuan jika kolom kosong lebih besar
dari kolom kosong minimal (Gambar 3.6). Kolom kosong minimal didapat
dari bullet pertama dan kode mata kuliah pertama.
Gambar 3.5 Horizontal Projection Profile
Gambar 3.6 Vertical Projection Profile
Pada Gambar 3.5 terlihat garis merah merupakan baris dengan jumlah
pixels kosong, sedangkan garis hijau merupakan baris dengan jumlah pixels
yang sesuai dengan ketentuan. Gambar 3.6 merupakan hasil dari garis hijau
Gambar 3.5. Pada Gambar 3.6 terlihat bahwa garis merah merupakan kolom
kosong yang akan dihapus, dan garis hijau merupakan kolom yang akan
dideteksi apakah bullet atau bukan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
BAB IV
IMPLEMENTASI SISTEM
4.1 Proses Input Citra
Proses pertama dalam sistem deteksi bullet yaitu membaca citra lembar
jadwal kuliah dari hasil proses scanning. Untuk dapat memilih gambar digunakan
fungsi uigetfile, dan untuk menyimpan gambar ke dalam variabel digunakan
fungsi imread. Fungsi uigetfile akan membuka file explorer untuk memilih data
dengan format jpg, jika data input bukan merupakan data format jpg maka
program akan error.
Gambar 4.1 Tampilan Interface uigetfile
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
Gambar 4.2 Hasil Fungsi imread
4.2 Grayscaling
Proses grayscaling akan mengubah data asli yang sudah di-input
sebelumnya menjadi citra abu. Proses grayscaling menggunakan fungsi yang
sudah disediakan oleh Matlab, yaitu rgb2gray.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
Gambar 4.3 Hasil rgb2gray (Citra Asli – Citra Grayscale)
4.3 Binerisasi
Citra lembar jadwal kuliah yang sudah dikonversi ke citra abu akan
dikonversi ke citra biner. Konversi citra biner diperlukan untuk dapat dikenai
proses tahap selanjutya. Proses binerisasi dilakukan dengan fungsi dari Matlab,
yaitu im2bw.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
Gambar 4.4 Hasil Citra Biner (Citra Grayscale – Citra Biner)
4.4 Horizontal Projection Profile
Setelah citra lembar jadwal kuliah menjadi citra biner, selanjutnya dilakukan
proses horizontal projection profile untuk mendapatkan hasil potong berupa setiap
baris bullet. Sebelum melakukan pemotongan baris, pertama harus dinyatakan
terlebih dahulu panjang baris dan kolom. Untuk mencari panjang baris dan kolom
menggunakan fungsi yang sudah disediakan oleh Matlab, yaitu size dengan atribut
1 untuk mencari panjang baris dan 2 untuk mencari panjang kolom.
Gambar 4.5 Hasil Horizontal Projection Profile
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
4.5 Vertical Projection Profile
Hasil dari horizontal projection profile akan diproses dengan vertical
projection profile. Vertical Projection profile akan mendeteksi setiap pixels kolom
dan akan menghapus baris kolom yang tidak sesuai dengan syarat panjang kolom
minimal. Untuk dapat mendeteksi setiap kolom yang berisi, dilakukan langkah
seperti horizontal projection profile horizontal, yaitu mencari panjang baris dan
kolom setiap potongan yang didapat.
Gambar 4.6 Hasil Vertical Projection Profile
4.6 Deteksi Bullet
Proses deteksi bullet akan membaca setiap hasil potongan dari vertical
projection profile. Hasil potong vertical projection profile akan disimpan ke
dalam variabel sementara. Untuk melakukan deteksi bullet akan menggunakan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
horizontal projection profile dan vertical projection profile untuk membaca setiap
pixel yang ada di dalam citra. Fungsi dari projection profile tersebut untuk dapat
dideteksi dengan ciri yang sudah ditentukan. Hasil akhir berupa bullet yang sudah
dihitamkan.
Gambar 4.7 Hasil Deteksi Bullet
4.7 Optical Character Recognition
Hasil dari deteksi bullet akan disimpan ke dalam variabel dengan nama yang
sesuai dengan lokasi bullet-nya. Nama bullet akan diambil dari gambar setelah
bullet tersebut. Jika bullet ada pada index kolom ke-6, maka nama dari bullet akan
diambil dari gambar di index kolom ke-7. Deteksi karakter dilakukan dengan
metode OCR. Penggunaan OCR dapat langsung menggunakan fungsi yang sudah
disediakan di matlab, yaitu ocr.
Gambar 4.8 Hasil Optical Character Recognition
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
BAB V
HASIL DAN ANALISA
5.1 Data Citra
Penelitian ini menggunakan citra lembar jadwal kuliah sebanyak 30 lembar
dengan jumlah dan posisi bullet yang berbeda-beda. Data didapatkan dari proses
scanning lembar jadwal kuliah dari DPA yang berbeda-beda. Data citra yang
digunakan tidak semuanya bersih (terdapat noise), sebagian citra terdapat coretan
dari mahasiswa, tinta hasil cetak, atau gangguan dari proses scanning yang salah.
Format data yang digunakan bertipe .jpg. Keterangan lengkap data dapat dilihat
pada Tabel 5.1.
Tabel 5.1 Data Citra Lembar Jadwal Kuliah
No. Nama File Pixels Ukuran Jumlah Bullet
1 bullet_1-1.jpg 2550 x 3501 1 MB 1
2 bullet_1-2.jpg 2550 x 3501 990 KB 1
3 bullet_1-3.jpg 2550 x 3501 955 KB 1
4 bullet_2-1.jpg 2550 x 3501 1 MB 2
5 bullet_2-2.jpg 2550 x 3501 930 KB 2
6 bullet_2-3.jpg 2550 x 3501 1 MB 2
7 bullet_2-4.jpg 2550 x 3501 915 KB 2
8 bullet_3-1.jpg 2550 x 3501 992 KB 3
9 bullet_3-2.jpg 2550 x 3501 941 KB 3
10 bullet_3-3.jpg 2550 x 3501 938 KB 3
11 bullet_3-4.jpg 2550 x 3501 1 MB 3
12 bullet_4-1.jpg 2550 x 3501 1 MB 4
13 bullet_4-2.jpg 2550 x 3501 899 KB 4
14 bullet_4-3.jpg 2550 x 3501 1 MB 4
15 bullet_4-4.jpg 2550 x 3501 1 MB 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
No. Nama File Pixels Ukuran Jumlah Bullet
16 bullet_7-1.jpg 2550 x 3501 1 MB 7
17 bullet_8-1.jpg 2550 x 3501 928 KB 8
18 bullet_8-2.jpg 2550 x 3501 927 KB 8
19 bullet_9-1.jpg 2550 x 3501 1 MB 9
20 bullet_9-2.jpg 2550 x 3501 936 KB 9
21 bullet_9-3.jpg 2550 x 3501 990 KB 9
22 bullet_9-4.jpg 2550 x 3501 927 KB 9
23 bullet_10-1.jpg 2550 x 3501 994 KB 10
24 bullet_10-2.jpg 2550 x 3501 1 MB 10
25 bullet_10-3.jpg 2550 x 3501 889 KB 10
26 bullet_10-4.jpg 2550 x 3501 883 KB 10
27 bullet_10-5.jpg 2550 x 3501 915 KB 10
28 bullet_11-1.jpg 2550 x 3501 960 KB 11
29 bullet_11-2.jpg 2550 x 3501 943 KB 11
30 bullet_12-1.jpg 2550 x 3501 948 KB 12
5.2 Pengujian Horizontal Projection Profile
File citra lembar jadwal kuliah dengan format .jpg akan dibaca ke dalam
sistem. Citra yang berhasil dibaca pertama akan dikenai proses pre-processing
(grayscaling dan binerisasi). Setelah citra dikenai proses pre-processing citra akan
melalui proses pemotongan baris secara horizontal dengan menggunakan
projection profile. Hasil dari proses horizontal projection profile adalah citra hasil
potong dengan jumlah hasil potong pada baris bullet sebanyak 48 baris, dimulai
dari baris 4 sampai baris 51.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
Gambar 5.1 Citra Lembar Jadwal Kuliah bullet_3-2.jpg
Gambar 5.1 merupakan citra lembar jadwal kuliah yang didapat dari proses
scanning, garis vertikal pada bagian kiri merupakan contoh baris yang akan
terdeteksi sebagai baris bullet. Citra lembar jadwal kuliah tersebut yang akan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
diproses melalui tahap pre-processing. Hasil akhir dari pre-processing dapat
dilihat pada Gambar 5.2.
Gambar 5.2 Citra Biner Lembar Jadwal Kuliah bullet_3-2.jpg
Hasil dari proses pre-processing akan dikenai horizontal projection profile
untuk mendapatkan hasil potong setiap baris. Hasil potong setiap baris akan
berjumlah 54 sampai 55 baris, dan baris yang digunakan untuk dikenai vertical
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
projection profile hanya 48 baris yang dimulai dari baris 4 sampai baris 51, atau
yang disebut dengan baris bullet.
Gambar 5.3 Hasil Potong bullet_3-2.jpg Baris 4
5.3 Hasil Pengujian Horizontal Projection Profile
Setiap data citra lembar jadwal kuliah akan dikenai horizontal projection
profile untuk mendapatkan baris bullet. Hasil dari baris bullet pertama merupakan
potongan dari baris ke-4, sedangkan hasil dari baris bullet terakhir merupakan
potongan dari baris ke-51. Jika baris bullet pertama dan terakhir tidak sesuai
dengan potongan baris yang seharusnya, maka akan dinyatakan error. Error pada
deteksi baris ini didefinisikan jika baris bullet pertama dan terakhir tidak sesuai
dengan baris potong seharusnya. Tidak sesuainya baris bullet dapat disebabkan
karena adanya noise atau kesalahan pada saat proses scanning. Jika baris bullet
pertama merupakan potongan baris ke-3 maka ditemukan jumlah error sebanyak
1, seperti pada Gambar 5.4.
Gambar 5.4 Contoh Horizontal Projection Profile Dengan Error
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
Pada Gambar 5.4 terlihat citra 5 baris pertama dengan citra baris pertama
merupakan baris kosong yang hanya terdapat noise pada pojok kiri atas. Baris
bullet pertama (baris ke-4) diisi dengan baris yang berisi keterangan kode, nama
mata kuliah, kode, dan SKS. Kondisi seperti Gambar 5.4 merupakan contoh
horizontal projection profile dengan baris error yang disebabkan oleh noise. Baris
bullet bergeser 1 index dari hasil potong horizontal projection profile, maka akan
dinyatakan dengan jumlah error sebanyak 1. Pada Tabel 5.2 merupakan hasil dari
deteksi baris pada setiap file citra lembar jadwal kuliah.
Tabel 5.2 Hasil Horizontal Projection Profile Lembar Jadwal Kuliah
No. Nama File Baris Bullet
Terdeteksi Error
Persentase (%)
Keberhasilan Error
1 bullet_1-1.jpg 48 0 100 0
2 bullet_1-2.jpg 48 0 100 0
3 bullet_1-3.jpg 48 0 100 0
4 bullet_2-1.jpg 48 0 100 0
5 bullet_2-2.jpg 48 0 100 0
6 bullet_2-3.jpg 48 0 100 0
7 bullet_2-4.jpg 48 0 100 0
8 bullet_3-1.jpg 48 0 100 0
9 bullet_3-2.jpg 48 0 100 0
10 bullet_3-3.jpg 48 0 100 0
11 bullet_3-4.jpg 48 0 100 0
12 bullet_4-1.jpg 48 0 100 0
13 bullet_4-2.jpg 48 0 100 0
14 bullet_4-3.jpg 48 0 100 0
15 bullet_4-4.jpg 47 1 97.92 2.08
16 bullet_7-1.jpg 48 0 100 0
17 bullet_8-1.jpg 47 1 97.92 2.08
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
No. Nama File Baris Bullet
Terdeteksi Error
Persentase (%)
Keberhasilan Error
18 bullet_8-2.jpg 48 0 100 0
19 bullet_9-1.jpg 48 0 100 0
20 bullet_9-2.jpg 48 0 100 0
21 bullet_9-3.jpg 48 0 100 0
22 bullet_9-4.jpg 48 0 100 0
23 bullet_10-1.jpg 48 0 100 0
24 bullet_10-2.jpg 48 0 100 0
25 bullet_10-3.jpg 48 0 100 0
26 bullet_10-4.jpg 48 0 100 0
27 bullet_10-5.jpg 48 0 100 0
28 bullet_11-1.jpg 48 0 100 0
29 bullet_11-2.jpg 48 0 100 0
30 bullet_12-1.jpg 48 0 100 0
Hasil rata-rata persentase: 99.86 0.14
Pada Tabel 5.2 didapatkan hasil dari proses horizontal projection profile
pada 30 citra lembar jadwal kuliah. Persentase keberhasilan untuk deteksi baris
dengan horizontal projection profile sebesar 99.86% dan persentase error sebesar
0.14%. Perhitungan rata-rata persentase keberhasilan deteksi baris dengan
projection profile horizontal dapat dilihat pada Rumus 5.2 dan Rumus 5.3 untuk
perhitungan rata-rata persentase error.
48 (5.1)
∗ 100 (5.2)
100% (5.3)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
5.4 Pengujian Vertical Projection Profile
Seluruh hasil pada proses horizontal projection profile per citra lembar
jadwal kuliah akan dikenai vertical projection profile. Vertical projection profile
merupakan proses deteksi kolom untuk mendapatkan setiap potongan teks pada
baris bullet yang selanjutnya akan disebut dengan kolom bullet. Kolom bullet
yang didapatkan, yaitu bullet (kosong atau berisi), kode mata kuliah, nama mata
kuliah, jumlah satuan kredit semester (sks), ruang kelas. Pada setiap baris bullet
terdapat 10 kolom bullet dengan citra bullet berada pada potongan ke-1 dan ke-6.
Jika pada setiap baris bullet memiliki kolom bullet lebih atau kurang dari 10,
maka akan dinyatakan error.
Gambar 5.5 Hasil Vertical Projection Profile
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
5.5 Hasil Pengujian Vertical Projection Profile
Pada setiap file citra lembar jadwal kuliah memiliki 48 baris bullet yang
akan dikenai vertical projection profile untuk mendapatkan kolom bullet. Hasil
kolom bullet tidak akan dinyatakan error jika terdapat 10 kolom. Pada Tabel 5.3
diambil 3 data sampel acak hasil vertical projection profile untuk mewakili 30
data citra lembar jadwal kuliah.
Tabel 5.3 Hasil Vertical Projection Profile
No. Nama File
Baris
Bullet
Ke
Kolom
Terdeteksi Error
Persentase
Keberhasilan Error
1 bullet_3-3.jpg 1 10 0 100 0
2 10 0 100 0
3 10 0 100 0
4 10 0 100 0
5 10 0 100 0
6 9 1 90 10
7 9 1 90 10
8 8 2 80 20
9 9 1 90 10
10 10 0 100 0
11 10 0 100 0
12 11 1 90 10
13 10 0 100 0
14 10 0 100 0
15 10 0 100 0
16 10 0 100 0
17 10 0 100 0
18 10 0 100 0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
No. Nama File
Baris
Bullet
Ke
Kolom
Terdeteksi Error
Persentase
Keberhasilan Error
19 10 0 100 0
20 10 0 100 0
21 10 0 100 0
22 10 0 100 0
23 10 0 100 0
24 10 0 100 0
25 10 0 100 0
26 10 0 100 0
27 10 0 100 0
28 10 0 100 0
29 10 0 100 0
30 10 0 100 0
31 10 0 100 0
32 9 1 90 10
33 9 1 90 10
34 10 0 100 0
35 10 0 100 0
36 9 1 90 10
37 10 0 100 0
38 9 1 90 10
39 9 1 90 10
40 9 1 90 10
41 9 1 90 10
42 10 0 100 0
43 9 1 90 10
44 9 1 90 10
45 10 0 100 0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
No. Nama File
Baris
Bullet
Ke
Kolom
Terdeteksi Error
Persentase
Keberhasilan Error
46 10 0 100 0
47 10 0 100 0
48 9 1 90 10
2 bullet_7-1.jpg 1 10 0 100 0
2 10 0 100 0
3 10 0 100 0
4 11 1 90 10
5 10 0 100 0
6 12 2 80 20
7 9 1 90 10
8 9 1 90 10
9 9 1 90 10
10 10 0 100 0
11 10 0 100 0
12 11 1 90 10
13 10 0 100 0
14 10 0 100 0
15 10 0 100 0
16 10 0 100 0
17 10 0 100 0
18 10 0 100 0
19 10 0 100 0
20 10 0 100 0
21 10 0 100 0
22 10 0 100 0
23 10 0 100 0
24 10 0 100 0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
No. Nama File
Baris
Bullet
Ke
Kolom
Terdeteksi Error
Persentase
Keberhasilan Error
25 10 0 100 0
26 10 0 100 0
27 10 0 100 0
28 10 0 100 0
29 10 0 100 0
30 10 0 100 0
31 10 0 100 0
32 11 1 90 10
33 11 1 90 10
34 10 0 100 0
35 10 0 100 0
36 10 0 100 0
37 10 0 100 0
38 10 0 100 0
39 10 0 100 0
40 10 0 100 0
41 10 0 100 0
42 12 2 80 20
43 10 0 100 0
44 10 0 100 0
45 10 0 100 0
46 10 0 100 0
47 10 0 100 0
48 12 2 80 20
3 bullet_10-2.jpg 1 10 0 100 0
2 10 0 100 0
3 10 0 100 0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
No. Nama File
Baris
Bullet
Ke
Kolom
Terdeteksi Error
Persentase
Keberhasilan Error
4 11 1 90 10
5 10 0 100 0
6 9 1 90 10
7 9 1 90 10
8 9 1 90 10
9 9 1 90 10
10 10 0 100 0
11 10 0 100 0
12 10 0 100 0
13 10 0 100 0
14 10 0 100 0
15 10 0 100 0
16 10 0 100 0
17 10 0 100 0
18 10 0 100 0
19 10 0 100 0
20 10 0 100 0
21 9 1 90 10
22 10 0 100 0
23 10 0 100 0
24 10 0 100 0
25 10 0 100 0
26 10 0 100 0
27 10 0 100 0
28 10 0 100 0
29 10 0 100 0
30 10 0 100 0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
No. Nama File
Baris
Bullet
Ke
Kolom
Terdeteksi Error
Persentase
Keberhasilan Error
31 10 0 100 0
32 10 0 100 0
33 11 1 90 10
34 10 0 100 0
35 10 0 100 0
36 10 0 100 0
37 10 0 100 0
38 10 0 100 0
39 10 0 100 0
40 10 0 100 0
41 10 0 100 0
42 11 1 90 10
43 10 0 100 0
44 10 0 100 0
45 10 0 100 0
46 10 0 100 0
47 9 1 90 10
48 11 1 90 10
Persentase rata-rata: 97.30 2.70
Persentase maksimal: 100 20
Persentase minimal: 80 0
Dari Tabel 5.3 dapat dilihat hasil dari vertical projection profile pada 3 citra
sample dengan hasil rata-rata keberhasilan sebesar 97.30% dan kesalahan sebesar
2.70%. Persentase maksimal untuk keberhasilan sebesar 100% dan kesalahan
sebesar 20%. Untuk persentase minimal keberhasilan sebesar 80% dan kesalahan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
0%. Data citra sample dipilih secara acak dengan ketentuan terdapat error yang
berbeda-beda dengan jumlah bullet yang berbeda.
Perhitungan rata-rata persentase keberhasilan dan persentase error dapat
dilihat pada rumus 5.4 jika jumlah kolom terdeteksi kurang dari sama dengan 10,
sedangan jika jumlah kolom terdeteksi lebih besar dari 10 maka digunakan rumus
5.5. Untuk perhitungan persentase error menggunakan rumus 5.6.
∗ 100 (5.4)
∗ 100 (5.5)
100 (5.6)
5.6 Pengujian Deteksi Bullet
Hasil potong kolom dari proses vertical projection profile akan dideteksi
untuk dinyatakan sebagai bullet atau bukan. Untuk dapat dinyatakan sebagai
bullet setiap kolom akan diproses sesuai dengan ciri-ciri bullet yang sudah
ditentukan. Jika kolom tidak memiliki salah satu ciri bullet maka tidak akan
dinyatakan sebagai bullet. Untuk dapat dinyatakan sebagai bullet citra hasil
potong harus memenuhi semua ciri yang ada.
Gambar 5.6 Hasil Pengujian Deteksi Bullet
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
5.7 Hasil Pengujian Deteksi Bullet
Bullet yang dideteksi harus memiliki jumlah yang sama dengan jumlah
bullet aslinya. Bullet yang tidak terdeteksi akan dinyatakan sebagai data error.
Kolom bukan bullet akan dinyatakan error jika terdeteksi sebagai bullet. Tabel 5.4
merupakan hasil dari deteksi bullet pada 30 data dengan isi bullet yang berbeda-
beda.
Tabel 5.4 Hasil Deteksi Bullet
No. Nama File Jumlah
Bullet
Bullet
Yang
Terdeteksi
Persentase (%)
Keberhasilan Error
1 bullet_1-1.jpg 1 1 100 0
2 bullet_1-2.jpg 1 1 100 0
3 bullet_1-3.jpg 1 1 100 0
4 bullet_2-1.jpg 2 2 100 0
5 bullet_2-2.jpg 2 2 100 0
6 bullet_2-3.jpg 2 2 100 0
7 bullet_2-4.jpg 2 2 100 0
8 bullet_3-1.jpg 3 3 100 0
9 bullet_3-2.jpg 3 3 100 0
10 bullet_3-3.jpg 3 2 66.67 33.33
11 bullet_3-4.jpg 3 3 100 0
12 bullet_4-1.jpg 4 4 100 0
13 bullet_4-2.jpg 4 4 100 0
14 bullet_4-3.jpg 4 4 100 0
15 bullet_4-4.jpg 4 4 100 0
16 bullet_7-1.jpg 7 7 100 0
17 bullet_8-1.jpg 8 7 87.5 12.5
18 bullet_8-2.jpg 8 8 100 0
19 bullet_9-1.jpg 9 9 100 0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
No. Nama File Jumlah
Bullet
Bullet
Yang
Terdeteksi
Persentase (%)
Keberhasilan Error
20 bullet_9-2.jpg 9 9 100 0
21 bullet_9-3.jpg 9 9 100 0
22 bullet_9-4.jpg 9 8 88.89 11.11
23 bullet_10-1.jpg 10 10 100 0
24 bullet_10-2.jpg 10 8 80 20
25 bullet_10-3.jpg 10 10 100 0
26 bullet_10-4.jpg 10 10 100 0
27 bullet_10-5.jpg 10 10 100 0
28 bullet_11-1.jpg 11 11 100 0
29 bullet_11-2.jpg 11 11 100 0
30 bullet_12-1.jpg 12 11 91.67 8.33
Persentase rata-rata: 97.16 2.84
Persentase maksimal: 100 33.33
Persentase minimal: 66.67 0
Pada Tabel 5.4 dapat terlihat hasil dari 30 citra lembar jadwal kulliah ketika
dikenai proses deteksi bullet memiliki persentase keberhasilan rata-rata sebesar
97.16% dan persentase error rata-rata sebesar 2.84%. Persentase maksimal untuk
keberhasilan sebesar 100% artinya pada citra lembar jadwal kuliah semua bullet
terdeteksi dengan benar, sedangkan persentase error sebesar 33.33% yang artinya
dalam citra lembar jadwal kuliah terdapat bullet yang tidak terdeteksi atau salah
deteksi. Persentase minimal untuk keberhasilan sebesar 66.67% dan error sebesar
0%.
Berdasarkan 30 citra lembar jadwal kuliah hanya terdapat 6 bullet yang
tidak terdeteksi sebagai bullet. Bullet yang tidak terdeteksi memiliki keragaman
yang berbeda. Sebagian besar bullet yang tidak terdeteksi tidak memenuhi syarat
pertama, yaitu panjang pixel baris dikurangi kolom kurang dari sama dengan 5.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
Citra bullet yang tidak memenuhi syarat pertama dikarenakan citra terdapat
coretan panjang atau dapat diartikan mahasiswa tidak jadi memilih bullet tersebut
(Gambar 5.7).
Gambar 5.7 Bullet Error Dengan Coretan Panjang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
BAB VI
KESIMPULAN DAN SARAN
6.1 Kesimpulan
Dari pengujian terhadap semua citra lembar jadwal kuliah, diperoleh
kesimpulan sebagai berikut:
1. Berdasarkan hasil analisa horizontal projection profile didapatkan
persentase keberhasilan sebesar 99.86% dan persentase error sebesar
0.14%. Kesalahan baris terbanyak hanya berupa satu baris error yang
disebabkan oleh noise pada lembar jadwal kuliah.
2. Hasil analisa vertical projection profile didapatkan persentase
keberhasilan sebesar 97.30% dan persentase error sebesar 2.70%.
Kesalahan dalam deteksi kolom disebabkan karena hasil cetak atau
hasil proses scanning citra lembar jadwal kuliah tidak bagus atau
terlalu buram.
3. Hasil analisa untuk deteksi bullet setiap kolom didapatkan persentase
keberhasilan sebesar 97.16% dan persentase error sebesar 2.84%.
Kesalahan dalam deteksi bullet disebabkan karena citra bullet tidak
memenuhi salah satu ciri yang ada. Ciri yang paling sering tidak
terpenuhi yaitu citra bullet tidak berbentuk kotak atau selisih panjang
kolom dan baris lebih dari 5.
6.2 Saran
Berikut saran bagi penelitian selanjutnya dengan menggunakan projection
profile dalam deteksi bullet.
1. Kesalahan deteksi pada setiap gambar dikarenakan tidak jelasnya citra
lembar jadwal kuliah. Untuk dapat meminimalisir kesalahan, citra
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
46
lembar jadwal kuliah harus dikenai proses noise removal pada bagian
pre-processing.
2. Deteksi bullet selain menggunakan ciri dapat menggunakan hough
transform dan meningkatkan persentase keberhasilan untuk deteksi
bullet dengan sedikit goresan di luar area bullet.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
DAFTAR PUSTAKA
Priyanka, N., et al. (2010), Line and Word Segmentation Approach for Printed
Documents. IJCA Special Issue on “Recent Trends in Image Processing and
Pattern Recognition”.
http://www.ijcaonline.org/rtippr/number1/SPE96T.pdf, 15 November 2016.
Surinta, O. (2009), Optimization of Line Segmentation Techniques for Thai
Handwritten Documents. Eighth International Symposium on Natural
Language Processing.
http://olarik.it.msu.ac.th/backup/publications/SNLP_2009_OptimizationLin
eSegmentation.pdf, diakses tanggal 22 November 2016.
Sulem, Laurence L., Abderrazak Z., Bruno T., (2006), Text Line Segmentation of
Historical Documents: a Survey. International Journal on Document Analysis
and Recognition.
https://www.cs.bgu.ac.il/~klara/ATCS111/TextLineSegmentation.pdf,
diakses tanggal 22 November 2016.
Surinta, O., Rapeeporn C. (2009), Image Segmentation of Historical Handwriting
from Palm Leaf Manuscripts. The International Federation for Information
Processing, Volume 288. http://www.wbi.msu.ac.th/file/721/doc_57.pdf,
diakses tanggal 22 November 2016.
Widiarti, Anastasia R. 2006. PENGENALAN CITRA DOKUMEN SASTRA JAWA
KONSEP DAN IMPLEMENTASINYA. Tesis Pascasarjana pada Ilmu
Komputer Universitas Gadjah Mada Yogyakarta: tidak diterbitkan.
http://www.library.usd.ac.id/Data%20PDF/Tesis%20dan%20Disertasi%20
Dosen/Tesis%20dan%20Disertasi/1365_full.pdf, diakses tanggal 2
Desember 2016.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
Lin, J., Chio-Sann F. 2013. 2D Barcode Image Decoding. Hindawi Publishing
Corporation Mathematical Problems in Engineering Volume 2013, Article ID
848276.
http://www.csie.ntu.edu.tw/~fuh/personal/2DBarcodeImageDecoding.pdf,
diakses tanggal 3 Desember 2016.
Tripathy, N., Pal, U. 2006. Handwriting Segmentation of Unconstrained Oriya
Text. Computer Vision and Pattern Recognition Unit, Indian Statistical
Institute, 203 B.T Road, Kolkata-108, India. C:\Users\Bowi
Prabono\Downloads\Documents\051_x_tripathy-Handw.pdf, diakses tanggal
4 Desember 2016.
Hartanto, S., Sugiharto, A., Endah, Sukmawati N. (2015), OPTICAL CHARACTER
RECOGNITION MENGGUNAKAN ALGORITMA TEMPLATE MATCHING
CORRELATION. Jurnal Masyarakat Informatika, Volume 5, Nomor 9, ISSN
2086 – 4930.
https://www.researchgate.net/profile/Sukmawati_Endah/publication/304522
304_OPTICAL_CHARACTER_RECOGNITION_MENGGUNAKAN_AL
ALGORIT_TEMPLATE_MATCHING_CORRELATION/links/591bfe17a
6fdcc701fd1ed4b/OPTICAL-CHARACTER-RECOGNITION-
MENGGUNAKAN-ALGORITMA-TEMPLATE-MATCHING-
CORRELATION.pdf, diakses tanggal 8 Januari 2018.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
LAMPIRAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1
LAMPIRAN I
Data
1. bullet_1-1.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
2. bullet_1-2.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
3. bullet_1-3.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
4. bullet_2-1.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
5. bullet_2-2.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
6. bullet_2-3.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
7. bullet_2-4.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
8. bullet_3-1.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
9. bullet_3-2.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
10. bullet_3-3.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
11. bullet_3-4.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
12. bullet_4-1.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
13. bullet_4-2.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
14. bullet_4-3.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
15. bullet_4-4.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
16. bullet_7-1.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
17. bullet_8-1.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
18. bullet_8-2.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
19. bullet_9-1.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
20. bullet_9-2.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
21. bullet_9-3.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
22. bullet_9-4.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
23. bullet_10-1.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
24. bullet_10-2.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
25. bullet_10-3.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
26. bullet_10-4.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
27. bullet_10-5.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
28. bullet_11-1.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
29. bullet_11-2.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
30. bullet_12-1.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1
LAMPIRAN II
Citra Hasil Deteksi Bullet
1. bullet_1-1.jpg
2. bullet_1-2.jpg
3. bullet_1-3.jpg
4. bullet_2-1.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
5. bullet_2-2.jpg
6. bullet_2-3.jpg
7. bullet_2-4.jpg
8. bullet_3-1.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
9. bullet_3-2.jpg
10. bullet_3-3.jpg
11. bullet_3-4.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
12. bullet_4-1.jpg
13. bullet_4-2.jpg
14. bullet_4-3.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
15. bullet_4-4.jpg
16. bullet_7-1.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
17. bullet_8-1.jpg
18. bullet_8-2.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
19. bullet_9-1.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
20. bullet_9-2.jpg
21. bullet_9-3.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
22. bullet_9-4.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
23. bullet_10-1.jpg
24. bullet_10-2.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
25. bullet_10-3.jpg
26. bullet_10-4.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
27. bullet_10-5.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
28. bullet_11-1.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
29. bullet_11-2.jpg
30. bullet_12-1.jpg
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI