DETEKSI BULLET PADA FORM PENGAMBILAN MATA KULIAH ... · DETEKSI BULLET PADA FORM PENGAMBILAN MATA KULIAH MENGGUNAKAN PROJECTION PROFILE SKRIPSI ... Kertas lembar jadwal kuliah menggunakan

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:


135314042


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:


135314042




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.




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


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


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.



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


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


xiv

6.2 Saran .................................................................................................... 45

DAFTAR PUSTAKA ............................................................................................ 47

LAMPIRAN ........................................................................................................... 49


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


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


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


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


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


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”.


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.


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


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.


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.


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.


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)


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)


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.


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.


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


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)


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


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.


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


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.


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


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.


18

4. Jumlah pixel hitam bernilai lebih dari 60% dari total seluruh

pixel.

Gambar 3.4 Flowchart Proses Deteksi Bullet


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.


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.


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


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.


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.


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


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


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


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


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.


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


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


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


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


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)


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


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


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


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


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


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


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


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


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


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.


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


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


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.


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.


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.


49

LAMPIRAN


1

LAMPIRAN I

Data

1. bullet_1-1.jpg


2

2. bullet_1-2.jpg


3

3. bullet_1-3.jpg


4

4. bullet_2-1.jpg


5

5. bullet_2-2.jpg


6

6. bullet_2-3.jpg


7

7. bullet_2-4.jpg


8

8. bullet_3-1.jpg


9

9. bullet_3-2.jpg


10

10. bullet_3-3.jpg


11

11. bullet_3-4.jpg


12

12. bullet_4-1.jpg


13

13. bullet_4-2.jpg


14

14. bullet_4-3.jpg


15

15. bullet_4-4.jpg


16

16. bullet_7-1.jpg


17

17. bullet_8-1.jpg


18

18. bullet_8-2.jpg


19

19. bullet_9-1.jpg


20

20. bullet_9-2.jpg


21

21. bullet_9-3.jpg


22

22. bullet_9-4.jpg


23

23. bullet_10-1.jpg


24

24. bullet_10-2.jpg


25

25. bullet_10-3.jpg


26

26. bullet_10-4.jpg


27

27. bullet_10-5.jpg


28

28. bullet_11-1.jpg


29

29. bullet_11-2.jpg


30

30. bullet_12-1.jpg


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


2

5. bullet_2-2.jpg

6. bullet_2-3.jpg

7. bullet_2-4.jpg

8. bullet_3-1.jpg


3

9. bullet_3-2.jpg

10. bullet_3-3.jpg

11. bullet_3-4.jpg


4

12. bullet_4-1.jpg

13. bullet_4-2.jpg

14. bullet_4-3.jpg


5

15. bullet_4-4.jpg

16. bullet_7-1.jpg


6

17. bullet_8-1.jpg

18. bullet_8-2.jpg


7

19. bullet_9-1.jpg


8

20. bullet_9-2.jpg

21. bullet_9-3.jpg


9

22. bullet_9-4.jpg


10

23. bullet_10-1.jpg

24. bullet_10-2.jpg


11

25. bullet_10-3.jpg

26. bullet_10-4.jpg


12

27. bullet_10-5.jpg


13

28. bullet_11-1.jpg


14

29. bullet_11-2.jpg

30. bullet_12-1.jpg


15
