Text ABSTRAK pdf

PENGGUNAAN TRANSFORMASI FOURIER DALAM PENGENALAN KARAKTER TULISAN TANGAN AKSARA LAMPUNG

(Skripsi)

Oleh

TANTI OKTAVIANI

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS LAMPUNG

ABSTRAK

PENGGUNAAN TRANSFORMASI FOURIER DALAM PENGENALAN KARAKTER TULISAN TANGAN AKSARA LAMPUNG

Oleh

TANTI OKTAVIANI

Penelitian ini merupakan pengembangan penelitian sebelumnya yang masih terbatas dalam penggunaan fitur untuk mengenali tulisan tangan aksara Lampung. Fitur transformasi fourier digunakan dalam penelitian ini karena memiliki sifat tidak sensitive terhadap noise, rotation invariant, dan diskriminan yang kuat. Gambar masukan berupa karakter aksara berukuran 32x32 piksel sebanyak 32.140 karaker yang merupakan tulisan tangan aksara Lampung berformat biner. Support vector machine digunakan untuk mengklasifikasi kelas. Jumlah kelas untuk klasifikasi adalah 18 kelas dan menghasilkan akurasi adalah sebesar 72,11%. Sifat rotation invariant yang dimiliki oleh transformasi Fourier mengakibatkan misklasifikasi terhadap beberapa kelas karakter yang mirip dan menghasilkan akurasi rendah. Oleh karena itu, beberapa kelas yang mirip digabungkan. Pada akhirnya jumlah kelas dikurangi menjadi12 kelas presentase akurasi yang diperoleh sebesar 81.83%. Penggabungan kelas menjadi 12 kelas menghasilkan penigkatan sebesar 9.72%.

PENGGUNAAN TRANSFORMASI FOURIER DALAM PENGENALAN KARAKTER TULISAN TANGAN AKSARA LAMPUNG

Oleh Tanti Oktaviani

Skripsi

Sebagai Salah Satu Syarat untuk Memperoleh Gelar SARJANA KOMPUTER

Pada

Jurusan Ilmu Komputer

Fakultas Matematika dan Ilmu Pengetahuan Alam

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS LAMPUNG

RIWAYAT HIDUP

Penulis dilahirkan pada 2 Oktober 1996 di Tangerang sebagai anak pertama dari dua besaudara dengan Ayah bernama Imam Gunodo dan Ibu bernama Nurhayati.

Penulis menyelesaikan Pendidikan Sekolah Dasar (SD) di SD Negeri Gunung Sahari Utara 01 Pagi tahun 2008, menyelesaikan Sekolah Menegah Pertama (SMP) di SMP Negeri 5 Jakarta tahun 2011, kemudian menyelesaikan Sekolah Menegah Atas (SMA) di SMA Negeri 25 Jakarta tahun 2014.

PERSEMBAHAN

Segala puji dan syukur saya panjatkan kehadirat Allah SWT, atas berkat rahmat, nikmat dan hidayah-Nya yang memberikan semangat serta kekuatan sehingga skripsi ini dapat terselesaikan.

Kupersembahkan karya ini kepada:

Kedua Orang Tuaku, yang dengan segala kesabaran, pengorbanan dan perjuangan dengan penuh cinta dan kasih sayang yang telah

membesarkan, mendidik, dan selalu memberikan Do’a serta motivasi tiada hingga, sampai akhirnya saya mencapai

keberhasilan ini.

Adikku serta Keluarga besarku yang selalu menjadi semangat.

MOTTO

”Tidak ada balasan bagi kebaikan selain kebaikan (pula)”

(Q.S. Ar-rahman :60)

“Semua yang riil bersifat rasional dan semua yang rasional bersifat riil”

(G.W.F. Hegel)

“kesakitan membuat anda berpikir. Pikiran membuat anda

bijaksana. Kebijaksanan membuat kita bias bertahan dalam hidup”

SANWACANA

Segala puji dan syukur penulis panjatkan kehadirat Allah SWT, atas berkat rahmat dan hidayah-Nya yang diberikan kepada penulis, sehingga penulis dapat menyelesaikan penulisan skripsi yang berjudul “Penggunaan Transformasi Fourier dalam Pengenalan Karakter Tulisan Tangan Aksara Lampung” dengan baik. Tidak lupa sholawat serta salam semoga selalu tercurahkan kepada Nabi Besar Muhammad SAW beserta keluarganya, para sahabatnya dan pengikutnya.

Pada kesempatan ini penuils mengucapkan terima kasih kepada pihak-pihak yang telah membantu dalam menyelesaikan skripsi ini. Oleh karena itu ucapan terima kasih disampaikan kepada:

1. Kedua orang tua tercinta, Ayah Imam Gunodo dan Ibu Nurhayati yang tanpa kenal lelah selalu memberikan do’a, dukungan, semangat, dan motivasi. 2. Adik tersayang, Kasia Senivarera yang selalu menghibur dan tak lupa

memberikan semangat serta do’a.

4. Bapak Ardiansyah, M,Kom. sebagai pembimbing kedua, yang telah membimbing, memberikan komentar dan masukan selama penyusunan skripsi ini.

5. Bapak Didik Kurniawan, S.Si., M.T. sebagai pembahas dan selaku Sekertaris Jurusan Ilmu Komputer Universitas Lampung, yang telah memberikan kritik dan masukan yang bermanfaat dalam penyusunan skripsi ini.

6. Bapak Rico Andrian, M.Kom. sebagai pembimbing akademik yang selalu memberikan arahan dan masukan selama menjalani masa perkuliahan. 7. Bapak Prof. Warsito, S.Si., D.E.A., Ph.D. selaku Dekan FMIPA Universitas

Lampung

8. Bapak Dr. Ir. Kurnia Muludi, M.S. Sc. selaku Ketua Jurusan Ilmu Komputer Universitas Lampung.

9. Bapak Dan Ibu Dosen Jurusan Ilmu Komputer FMIPA Universitas Lampung yang telah memberikan ilmu dan pengalaman dalam hidup untuk menjadi lebih baik.

10.Leila Fauziah dan Said Achmad yang selalu sabar serta memberikan doa, motivasi, masukan, kritik, saran sehingga penulis dapat sampai ditahap ini. 11.Teman-teman HIMAEN serta Keluarga KKN Desa Berundung yang telah

memberikan arti kekeluargaan, kebersamaan, dan semangat.

12.Rekan-rekan Ilmu Komputer 2014 yang telah memberikan motivasi, semangat, dan kebersamaannya selama ini.

Penulis menyadari bahwa skripsi ini masih jauh dari kesempurnaan akan tetapi sedikit harapan penulis semoga skripsi ini bermanfaat bagi perkembangan ilmu pengetahuan terutama bagi teman-teman Ilmu Komputer.

Bandar Lampung, 30 Oktober 2018

DAFTAR ISI

DAFTAR ISI ... i

DAFTAR TABEL ... iii

DAFTAR GAMBAR ... iv

BAB I PENDAHULUAN 1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 3

1.3 Batasan Masalah... 3

1.4 Tujuan ... 3

1.5 Manfaat ... 4

BAB II TINJAUAN PUSTAKA 2.1 Pengenalan Pola ... 5

2.2 Aksara Lampung ... 7

2.3 Handwriting Character Rocognition ... 10

2.4 Transformasi Fourier ... 11

2.4.1 Discrete Fourier Transform Satu Dimensi (DFT 1D) ... 13

2.4.2 Discrete Fourier Transform Dua Dimensi (DFT 2D) ... 13

ii

2.5 Support Vector Machine (SVM) ... 14

2.5.1 Non Linear Support Vector Machine ... 15

BAB III METODOLOGI PENELITIAN 3.1 Waktu dan Tempat Penelitian ... 17

3.2 Perangkat Pendukung ... 17

3.3 Dataset ... 18

3.4 Tahapan Penelitian ... 19

3.4.1 Image Acquisition... 19

3.4.2 Preprocessing ... 19

3.4.3 Feature Extration ... 20

3.4.4 Classification ... 22

BAB IV PEMBAHASAN 4.1 Prerocessing ... 24

4.2 Pembagian Dataset ... 25

4.3 Ekstraksi Fitur ... 26

4.4 Klasifkasi Fitur ... 30

4.5 Analisis Kesalahan Klasifikasi ... 35

4.5.1 Penggabungan Kelas ... 37

BAB V KESIMPULAN 5.1 Kesimpulan ... 42

5.2 Saran ... 43 DAFTAR PUSTAKA

DAFTAR TABEL

Tabel 4.1 Rincian pembagian kelompok dataset ... 25

Tabel 4.2 Bentuk f(x,y) karakter aksara Ba ... 27

Tabel 4.3 Bilangan kompleks transformasi fourier ... 28

Tabel 4.4 Nilai absolut matriks kompleks ... 28

Tabel 4.5 Hasil normalisasi nilai absolut matriks ... 29

Tabel 4.6 Presentase akurasi klasifikasi dengan fitur transformasi fourier... 27

Tabel 4.7 Jumlah data terbanyak misklasifikasi dengan fitur trnsformasi fourier 35 Tabel 4.8 Pengelompokan kelas berdasarkan hasil rotasi gambar ... 37

DAFTAR GAMBAR

Gambar 2.1 Aksara Lampung ... 7

Gambar 2.2 Karakter diakritik atas ... 7

Gambar 2.3 Karakter diakritik bawah ... 8

Gambar 2.4 Karaker diakritik kanan ... 9

Gambar 2.5 Tanda baca aksara Lampung ... 9

Gambar 2.6 Proses transformasi fourier ... 12

Gambar 2.7 Konsep Support Vector Machine (SVM) ... 14

Gambar 2.8 SVM non linear... 15

Gambar 3.1 Diagram alir tahapan penelitian ... 19

Gambar 3.2 Perhitungan gambar biner menggunakan trasnformasi fourier ... 21

Gambar 3.3 Proses ekstraksi menggunakan transformasi fourier ... 22

Gambar 4.1 Hasil normalisasi dan konversi citra ... 24

Gambar 4.2 Karakter Ba ukuran 32x32 piksel ... 22

Gambar 4.3 keluaran hasil ekstraksi fitur transformasi fourier ... 30

Gambar 4.4 Confusion matrix fitur transformasi fourier ... 34

Gambar 4.5 Ilustrasi perhitungan transformasi fourier ... 36

Gambar 4.6 Perubaan nomor kelas ... 38

Gambar 4.7 confusion matrix 12 kelas ... 39

1

BAB I PENDAHULUAN

1.1 Latar Belakang

Handwriting Character Recognition adalah kemampuan komputer untuk menerima dan menafsirkan masukan tulisan tangan yang dapat dipahami dari sumber seperti dokumen, foto, layar sentuh dan perangkat lainnya (Uluwiyah dkk, 2013). Gambar teks tertulis dapat menggunakan hasil dari scan tulisan tangan langsung pada kertas yang biasa disebut dengan data offline, ataupun dapat berupa bantuan hardware yang biasa digunakan untuk melakukan penulisan seperti misalnya oleh permukaan layar komputer berbasis pena yang biasa disebut dengan data online.

2

menggunakan teknik Handwriting Character Recognition untuk mengenali tulisan tangan Aksara Lampung.

Dalam melakukan proses Handwriting Character Recognition pada tulisan tangan Aksara Lampung, komputer terlebih dahulu harus menganalisis fitur atau ciri dari karakter yang akan dikenali. Tentunya diperlukan suatu metode yang dapat mengenali secara unik karakter dari tulisan tangan yang akan dianalisa. Transformasi fourier merupakan metode yang dapat digunakan untuk menggambarkan bentuk objek yang ditemukan dari gambar masukan.

Transformasi fourier digunakan sebagai pengolah citra agar dapat lebih mendekati bentuk citra aslinya (Chariet dkk, 2007). Transformasi Fourier memiliki kemampuan diskriminasi yang kuat, rotation invariant, sensitivitas noise rendah, normalisasi mudah, dan pelestarian informasi.

3

1.2 Rumusan Masalah

Rumusan masalah dalam penelitian ini, antara lain:

1. Bagaimana menggunakan metode transformasi fourier untuk mandapatkan fitur yang dapat diaplikasikan dalam pengenalan tulisan tangan Aksara Lampung?

2. Bagaimana mengevaluasi tingkat akurasi dari hasil klasifikasi yang dilakukan?

1.3 Batasan Masalah

Batasan masalah dalam penelitian ini adalah sebagai berikut :

1. Sistem ini hanya ditujukan untuk inputan berupa gambar tulisan tangan aksara Lampung.

2. Penelitian ini melanjutkan penelitian sebelumnya dengan cara memperluas fitur yang telah digunakan.

3. Penelitian ini hanya menggunakan fitur transformasi fourier.

4. Proses pengenalan citra yang dilakukan pada penelitian ini mencakup tahap ekstraksi fitur hingga tahap klasifikasi fitur menggunkan LIBSVM.

1.4 Tujuan

4

mengklasifikasikannya ke dalam jenis aksara yang sesuai yang selanjutnya akan dievaluasi untuk mengetahui tingkat keakurasiannya.

1.5 Manfaat

Manfaat praktis dari penelitian ini adalah :

1. Mengembangkan penelitian dengan menggunakan fitur lain yang belum pernah dilakukan yaitu transformasi fourier.

2. Mengetahui tingkat akurasi dari hasil ekstraksi fitur transformasi fourier.

Manfaat akademis dari penelitian ini adalah:

5

BAB II

TINJAUAN PUSTAKA

2.1 Pengenalan Pola

Pengenalan pola adalah proses mengelompokkan data numerik dan simbolik termasuk citra secara otomatis oleh komputer, tujuan dari pengelompokan adalah untuk mengenali suatu objek di dalam citra. Komputer akan menerima masukan berupa citra objek yang akan diidentifikasi kemudian memproses citra tersebut dan memberikan keluaran berupa informasi atau deskripsi objek di dalam citra (Djamal dan Ramdln, 2013).

Dalam sistem pengenalan pola dasar terdapat beberapa komponen, yang terdiri sebagai berikut :

1. Sensor, digunakan untuk menangkap sebuah objek penciri atau fitur yang nantinya akan diekstraksi.

6

3. Mekanisme pencari fitur (manual/otomatis), merupakan tahapan setelah pre-processing yang digunakan untuk mengekstraksi ciri untuk dipisahkan kedalam kelas yang dibutuhkan pada saat tahap klasifikasi.

4. Algoritma Pemilah, merupakan tahapan klasifikasi dengan hasil berupa pengelompokan kelas dari objek yang ditangkap denga kriteria-kriteria yang telah ditentukan (Al Fatta, 2009).

Dalam pengenalan pola, fitur merupakan komponen penting dalam sebuah penelitian. Fitur merupakan segala jenis aspek pembeda yang secara kuantitas dapat diukur dari sebuah objek. Fitur yang digunakan dalam setiap penelitian akan sangat beragam dan tidak sedikit penelitian menggunakan banyak fitur untuk mengukur perbedaan dari objek yang akan diteliti. Berikut merupakan beberapa aplikasi system pengenalan pola sesuai objek yang diteliti:

1. Voice Recognition – merupakan aplikasi pengenalan suara sebagai sumber objeknya.

2. Face Indentification – mendeteksi citra wajah sebagai bahan utama penelitian.

3. Handwriting recognition – merupakan aplikasi pendeteksi tulisan tangan. 4. Fingerprint identification – merupakan pengenalan sidik jari.

5. Optical Character Recocniton (OCR) – OCR merupakan system pendukung dalam pengenalan pola.

7

2.2 Aksara Lampung

Menurut jurnal Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan yang dibuat oleh Adhika Aryantio dan R Munir, Aksara Lampung merupakan tulisan aksara perkembangan dari aksara Devanagari yang berasal dari India Selatan. Aksara Lampung memiliki 20 jenis aksara dasar dan 12 anak aksara (diakritik). Anak aksara melekat pada induk aksara akan menghasilkan jenis cara membaca yang berbeda-beda. Total jenis kombinasi cara membaca aksara Lampung terdapat 560 suku kata (Aryantio dan Munir, 2015). Bentuk bentuk karakter dasar aksara lampung dapat dilihat pada Gambar 2.1.

Gambar 2.1 Aksara Lampung (Junaidi, 2016)

Karakter diakritik aksara lampung atau pengubah bunyi vokal karakter dapat dikelompokan berdasarkan posisi penulisanya terhadap karakter dasar. Berikut merupakan penjelasan kelopok diakritik aksara lampung:

1. Diakritik Atas.

8

Diakritik atas terdiri dari enam karakter yang masing masing memiliki nama atau istilah. Diakritik ulan é dan bicek digunakan untuk menggantikan huruf vokal “e” pada karakter dasar. Perbedaan keduanya terlihat dari segi pengucapan huruf e dalam setiap kata. Diakritik ulan i digunakan untuk mengganti huruf vokal “i”. Diakritik terkelubung, datas dan rejenjung ar digunakan untuk menambhkan ekspansi huruf konsoan “ng”, “n”, dan “r” di akhir vokal.

2. Diakritik Bawah.

Diakritik bawah terdiri dari tiga karakter yang memiliki nama atau istilah masing masing. Diakritik bitan u mengubah huruf karakter dasar menjadi huruf vokal “u”. Diakritik ulan o menggantikan huruf vokal yang melekat pada karakter dasar menjadi huruf vokal “o” Diakritik takelungau mengubah huruf vokal karakter dasar menjadi huruf diftong atau dua huruf vokal yang digabungkan. Berikut merupakan bentuk dari ketiga karakter diakritik bawah.

9

3. Diakritik Kanan

Sama seperti sebelumnya, diakritik kanan memiliki tiga jenis karakter yang memiliki nama atau istilah masing masing. Berikut merupakan karakter diakritik kanan yang ditunjukan pada Gambar 2.4.

Gambar 2.4 Karakter diakritik kanan (Junaidi, 2016).

Diakritik tekelingai ai merupakan pengubah huruf diftong ai pada karakter dasar. Diakritik keleniah dapat menindih huruf vokal karakter dasar dan menambahkan ekspansi huruf konsonan “h” di akhir vokal. Diakritik nengen merupakan pembungkam huruf vokal yang melekat pada karakter dasar sehingga bagian yang tersisa hanyalah konsonan dari karakter dasar.

Gambar 2.5 Tanda baca aksara Lampung (Junaidi, 2016).

10

1. Ngemula

Ngemula yang berbentuk seperti matahari memiliki fungsi untuk memulai sebuah kalimat.

2. Beradu

Beradu diletakan diakhir kalimat dan berfungsi sebagai tanda titik atau penyelesaian kalimat.

3. Kuma

Merupakan tanda baca penjeda kalimat atau sebagai pemisah elemen dari serangkaian (tiga atau lebih) hal dalam suatu kalimat.

4. Ngulih

Ngulih digunakan sebagai tanda baca tanya, dapat diletakan di akhir kalimat sebagai penanda kalimat tersebut merupakan sebuah pertanyaan.

5. Tanda seru

Tanda seru merupakan tanda baca yang menyatakan bahwa kalimat tersebut merupakan kalimat perintah atau pernyataan tegas (Junaidi, 2016).

2.3 Handwriting Character Recognition

11

Dalam jenisnisnya handwriting character recognition atau pengenalan tulisan tangan terbagi menjadi dua yaitu, online dan offline. Pengenalan tulisan tangan online yaitu berupa inputan dengan bantuan alat optik berupa sensor, layar dan pena yang nantinya digunakan untuk menulis setiap karakter. Sedangkan pengenalan tulisan tangan offline menggukana scan gambar tulisan tangan sebagai objek citra yang akan diteliti.

2.4 Transformasi Fourier

Transformasi fourier merupakan salah satu metode untuk menggambarkan bentuk objek yang ditemukan dari gambar masukan. Sebelum perhitungan fourier dilakukan, gambar masukan didigitalkan dan ditentukan batas batas objek berdasarkan gambar masukan. Setelah batas ditemukan, dilakukan proses normalisasi yang selama prosesnya titik titik menjadi batas objek dan model diambil untuk menentukan jumlah titik data yang sama (Cheriet, 2007).

12

digunakan untuk memetakan represrntasi 2D ke 1D. Terdapat beberapa bentuk yang dapat dijadikan sebagak ciri, yaitu koordinat kompleks, centroid distance, curvative dan cumulative angular function (Cheriet dkk, 2007).

Gambar 2.6 Proses transformasi fourier (Anike, 2015)

13

2.4.1 Discrete Fourier Transform Satu Dimensi (DFT 1D)

Persamaan transformasi fourier satu dimensi dalam bentuk diskrit dari satu fungsi f(x) menjadi fungsi F(u) didefinisikan dalam persamaan (2.1) sebagai berikut :

𝐹(𝑢) = ∑ 𝑓(𝑥). exp⁡

𝑁−1

𝑥=0

[−𝑗2𝜋. 𝑢. 𝑥

𝑁 ]⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡(2.1)⁡⁡

Inverse dari transformasi persamaan (2.1) didefinisikan dalam persamaan (2.2) berikut ini :

𝑓(𝑥) = 1

𝑁∑ 𝐹(𝑢). exp [𝑗

2𝜋. 𝑢. 𝑥

𝑁 ]

𝑁−1

𝑥=0

⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡(2.2)

Dimana u = 0,1,2,…N-1 dan x = 0,1,2,…N-1

2.4.2 Discrete Fourier Transform Dua Dimensi (DFT 2D)

Fungsi transformasi diskrit duadimensi merupakan fungsi f(x,y) menjadi fungsi F(k1,k2) didefinisikan dalam persamaan (2.3) sebagai berikut :

𝐹(𝑘₁, 𝑘₂) = ⁡ ∑ ∑ 𝑓(𝑥, 𝑦). 𝑒−𝑗2𝜋𝑇(

𝑘1𝑥

𝑁1+

𝑘2𝑦

𝑁2)⁡⁡⁡⁡

𝑁2

𝑦=0 𝑁1

𝑥=0

⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡(2.3)

Inverse dari transformasi persamaan (2.3) didefinisikan dalam persamaan (2.4) sebagai berikut:

𝑓(𝑥, 𝑦) = 1

𝑁1𝑁2

⁡∑ ∑ 𝐹(𝑘1, 𝑘2). 𝑒

𝑗2𝜋𝑇(𝑘_𝑁1𝑥

1+

𝑘2𝑦

𝑁2)⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡(2,4)

𝑁2

𝑦=0 𝑁1

14

Dimana k1= 1,2,…N1-1; k2 = 1,2,…N1-1; x = 1,2,…N2-1; y = 1,2,…N2-1.

2.4.3 Fast Fourier Transfom (FFT)

Fast fourier transform merupakan algoritma yang lebih banyak digunakan dalam perhitungan fourier. Komplesitas yang dimiliki discrete fourier transform (DFT) pada persamaan (3) sebesar O(N2) yang sangan berat jika dijalannkan. Sedangkan komplesitas yang dimiliki oleh fast fourier transform (FFT) adalah O(N log N) (Purnomo dan Muntasa,2010).

2.5 Support Vector Machine (SVM)

Support vector machine merupakan sebuah pembelajaran yang menggunakan ruang hipotesis. Berupa fungsi-fungsi linear dalam sebuah ruang ciri (feature space) berdimensi tinggi, dilatih dengan algoritma pembelajaran yang didasarkan pada teori optimasi dengan mengimplementasikan bias pembelajaran yang berasal dari teori pembelajaran stastistik (Nello dan Taylor, 2000).

15

Dalam konsepnya SVM merupakan usaha mencari hyperline terbaik yang berfungsi sebagai pemisah dua buah kelas pada input space. Pada Gambar 2.7 memperlihatkan beberapa data yang merupakan anggota dari dua buah kelas data yakni +1 dan -1. Hyperline pemisah terbaik antara kedua kelas tersebut dapat ditemukan dengan mengukur margin hyperline dan mencari titik maksimalnya. Margin merupakan jarak antara hyperline dan pattern dari setiap class. Data yang paling dekat inilah yang disebut dengan support vector (Sriavastava dan Bhambu, 2009).

2.5.1 Non Linear Support Vector Machine

SVM merupakan sebuah linear machine yang hanya dapat mengkasifikasikan masalah yang bersifat lineary separable (Nugroho, 2007). Untuk menyelesaikan masalah klasifikasi data yang tidak bisa secara linear adalah dengan mentransformasikan data kedalam ruang fitur (feature space) yang lebih tinggi dimensinya dibandingkan dengan vector input (input space) untuk selanjutnya dipisahkan secara linear (Muis dan Afandes, 2015).

16

Tak terhingga jumlah fitur didalam ruang fitur dapat diatasi dengan menggunakan kernel trick. Fungsi kernel dapat digunakan jika matriks kernel yang dihasilkan bersifat semi positif semi definite. Fungsi kernel yang umum digunakan adalah sebagai berikut:

1. Kernel linear : 𝐾⁡(𝑥_𝑖, 𝑥) = 𝑥_𝑖𝑇𝑥

2. Polynomial : 𝐾⁡(𝑥_𝑖, 𝑥) = (𝛾. 𝑥_𝑖𝑇𝑥 + 𝑟)𝑝_{, 𝛾 > 0}

17

BAB III

METODOLOGI PENELITIAN

3.1 Waktu dan Tempat Penelitian

Penelitian dilaksanakan di Laboratorium Komputasi Dasar Jurusan Ilmu Komputer, Universitas Lampung. Penelitian ini dilaksanakan mulai bulan Februari 2018 sampai dengan selesai.

3.2 Perangkat Pendukung

Penelitian ini menggunakan peralatan pendukung sebagai berikut: 1. Perangkat Keras (Hardware)

Perangkat keras yang digunakan dalam penelitian ini berupa laptop dengan spesifikasi sebagai berikut:

- Processor : Intel Celeron Ivybridge 1007U CPU 1.50 GHz. - RAM : 2,00 GB

18

2. Perangkat Lunak (Software)

Perangkat lunak yang digunakan dalam penelitian ini adalah: - Sistem Operasi Windows 10 Home Single Language 64-bit - Matlab R2016b

3.3 Dataset

Dataset yang digunakan dalam penelitian ini diambil dari Lampung Handwritten Character dataset (Junaidi, 2011) yang tersedia di http://patrec.cs.tu-dortmund.de/cms/en/home/Resources/. Sampel yang digunakan, diperoleh dari 82 orang kontributor yang terdiri dari siswa-siswi SMK N 14 Bandar Lampung yang duduk dikelas 10 dan 11, berusia rata-rata 16 tahun dan memiliki pengetahuan yang cukup untuk menulis aksara Lampung. Pengumpulan datset ini dilakukan pada tahun 2010.

Dataset terdiri dari dokumen gambar asli, Grayscale, dan anotasi atau label setiap objek aksara dalam dataset. Total dokumen gambar asli berupa 82 halaman dengan format gambar ppm. Kompnen data yang telah diekstrak betotal 32140 gambar yang terdistribusi dalam 82 subdirektori berformat pgm.

19

kolom 2 sampai 5 merupakan koordinat kotak pembatas dari komponen yang terhubung dalam dokumen gambar asli dengan catatan koordinat sudut kiri atas gambar asli adalah (0,0). Kolom 6 merupakan naotasi karakter yang merupakan label karakter berdasarkan naskah lampung yang terdiri dari 18 kelas.

3.4 Tahapan Penelitian

Tahapan penelitian dilakukan berdasarkan diagram alir Gambar 3.1 berikut.

Gambar 3.1 Diagram alir tahapan penelitian

3.4.1 Image Acquisition

Image Acquisition merupakan tahap awal untuk memperoleh data Image. Dalam penelitian ini Image Acquisition tidak dilakukan karena data image menggunakan dataset Lampung Handwritten Character yang tersedia di

http://patrec.cs.tu-dortmund.de/cms/en/home/Resources/.

3.4.2 Preprocessing

20

citra menjadi gambar biner dan mengubah ukuran citra menjadi 32x32 piksel karena data image menggunakan dataset Lampung Handwritten Character berupa citra grayscale dengan ukuran citra tidak beraturan.

3.4.3 Feature Extration

Feature Extration atau ekstrasi fitur merupakan pengekstrakan data untuk mencari ciri khusus dari sebuah karakter yang nantinya ciri tersebut akan menjadi pembeda antara satu karakter dengan yang lainnya. Penelitian ini menggunakan fitur dari hasil transformasi fourier.

Tahap pertama dalam ekstraksi fitur menggunakan Transformasi Fourier adalah gambar biner dan normalisasikan. Selama normalisasi, titik-titik data dari batas bentuk objek dan model diambil sampelnya untuk memiliki jumlah titik data yang sama.

21

Gambar 3.2 Perhitungan gambar biner menggunakan transformasi fourier

22

Selanjutnya DFT akan dihitung menggunakan algoritma Fast Fourier Trasnform (FFT) yang merupakan tehnik perhitungan cepat dengan memanfaatkan sifat periodikal dari transformasi fourier.

Gambar 3.3 Proses ekstraksi menggunakan transformasi fourier

3.4.4 Classification

23

42

BAB V KESIMPULAN

5.1 Kesimpulan

Kesimpulan yang diperoleh berdasarkan hasil penelitian ekstraksi karakter aksara Lampung menggunkan transformasi fourier adalah sebagai berikut:

1. Ekstraksi fitur transformasi fourier dapat diimplementasikan kedalam pengenalan karakter tulisan tangan aksara Lampung.

2. Penggabungan kelas menjadi 12 kelas dilakukan karena sifat transformasi fourier yang rotation invariant dan bentuk karakter aksara Lampung yang mirip.

3. Akurasi tertinggi yang didapatkan dalam klasifikasi 18 kelas sebesar 72.11% dan 81.83% pada 12 kelas.

43

5.2 Saran

Saran yang dapat diberikan untuk pengembangan penelitian ekstraksi karakter aksara Lampung menggunkan transformasi fourier adalah sebagai berikut: 1. Ekstraksi fitur aksara Lampung dikembangkan menggunakan metode lain

dan dengan ukuran citra yang lebih bervariasi.

DAFTAR PUSTAKA

Al Fatta, H. 2009. rekayasa system pengenalan pola. Yogyakarta:ANDI.

Anike, M. 2015. Analisa Pengolahan Citra Menggunakan Metode Transformasi Fourier. Kupang: Jurnal Konferensi Nasional Sistem & Informatika 2015.

Aryantio, A dan Munir, R. 2015. Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan. Bandung : Jurnal Institut Teknologi Bandung bidang Tehnik Informatika

Cheriet, M; Kharma, N; Liu C. L dan Suen, C. Y. 2007. Character Recognition System: A Guide for Students and Practioner. New Jersey: John Wiley&Sons Inc.

Djamal, E. C. dan Ramdln, S. N. 2013. Pengenalan Pola Tanda TAngan MEnggunakan Multilayer Preceptron dalam Identifikasi Kepribadian. Jakarta: Sesindo

International Workshop on Multilingual OCR, MOCR 2011. Page 105-112. Beijing, China, 2011. ACM.

Junaidi, A. 2016. Lampung Handwritten Character Recognition. Disertasi. Program Doktoral Dortmund University. Dortmund. German.

Muis, I. A, dan Afandes, M. 2015. Penerapan Metode Support Vector Machine (SVM) Menggunakan Kernel Radial Basis Function (RBF) Pada Klasifikasi Tweet. Pekan Baru: Jurnal Sains, Teknomolgi dan Industri.

Nello, C., dan Taylor, J. S., 2000. An Introduction To Support Vector Machines and Other Kernel Based Learning Methods, Cambridge University Press.

Nugroho, A. S. 2007. Pengantar Support Vecto Machine. e-tutorial SVM: milis [email protected]

Purnomo, M. H. ,dan Muntasa, A. 2010. Konsep Pengolahan Citra Digital dan Ekstraksi Fitur. Yogyakarta: Graha Ilmu.

Susilawati, I. 2009. Transformasi fourier. Yogyakarta: Jurnal Tehnik Pengolahan Citra Universita Mercu Buana Program Studi Teknik Elektro.