bab ii rekognisi karakter numerik

Aplikasi Jaringan Saraf Tiruan dalam
Rekognisi Karakter Numerik Berbasis Citra
17
BAB II
REKOGNISI KARAKTER NUMERIK
2.1 Gambaran Singkat Rekognisi Karakter Optik
Rekognisi karakter optik merupakan salah satu aplikasi pengenalan pola yang
dirancang untuk menerjemahkan teks baik berupa tulisan tangan maupun typewritten
text ke dalam data digital yang dimengerti oleh komputer. Teks yang tersebut bisa
berupa huruf, angka, tanda baca, ataupun simbol-simbol tertentu.
Berdasarkan cara mendapatkan inputnya, rekognisi karakter optik dikategorikan ke
dalam dua bagian yaitu offline dan online recognition [2]. Pada offline recognition¸
input yang digunakan dipindai dengan menggunakan scanner sebelum diproses.
Sedangkan dalam online recognition, input langsung didapatkan pada saat input
tersebut dituliskan di atas layar sentuh (touch screen). Kualitas input akan
menentukan kinerja dari sistem rekognisi karakter optik yang dibangun.
Sistem rekognisi karakter optik pertama kali dimanfaatkan secara komersial oleh
Reader Digest pada tahun 1954. Sistem ini mengkonversi laporan penjualan yang
Aplikasi Jaringan Saraf Tiruan dalam
Rekognisi Karakter Numerik Berbasis Citra
18
berupa tulisan tangan ke dalam komputer. Rekognisi karakter optik terus berkembang
dan telah dimanfaatkan secara luas di bidang industri. Contohnya, dalam melakukan
penyortiran surat di United States Postal Service dan British General Post Office.
Sistem rekognisi karakter optik tersebut melakukan penyortiran dengan cara
membaca nama, alamat, dan kode pos yang tertera pada amplop.
Di bidang
perbankan, sistem rekognisi karakter optik dimanfaatkan untuk mengenali tanda
tangan dan nominal yang ditorehkan di atas lembaran cek.
Gambar 2.1 Contoh Aplikasi Sistem Rekognisi Karakter Numerik [3]
Aplikasi Jaringan Saraf Tiruan dalam
Rekognisi Karakter Numerik Berbasis Citra
19
2.2 Metode dalam Rekognisi Karakter Optik
Secara umum, sistem rekognisi karakter optik terdiri dari beberapa komponen seperti
yang tampak pada Gambar 2.2 berikut.
Gambar 2.2 Komponen-komponen Rekognisi Karakter Optik [4]
Data analog ditangkap melalui optical scanning dan dikonversikan ke dalam bentuk
citra digital. Citra ini kemudian dikonversikan ke dalam gray-levels. Selanjutnya pada
citra masukan dilakukan proses thresholding yang akan mengkonversikannya ke
dalam citra bilevel, hitam dan putih. Apabila nilai pixel pada citra gray-levels berada
di bawah nilai ambang (threshold), maka pixel tersebut akan berwarna hitam.
Sebaliknya, jika berada di atas nilai ambang maka pixel tersebut berwarna putih
(Gambar 2.3).
Aplikasi Jaringan Saraf Tiruan dalam
Rekognisi Karakter Numerik Berbasis Citra
20
Gambar 2.3 Konversi Citra Masukan (atas) ke Bilevel (Bawah)
Segmentasi merupakan sebuah proses untuk menentukan unsur-unsur pokok dari citra.
Hal ini bertujuan untuk memisahkan antara data dengan objek lain dari citra seperti
gambar dan grafik yang tidak dibutuhkan. Sebagai contoh, dalam proses penyortiran
surat. Data berupa alamat, haruslah dipisahkan dari objek lain yang tertera di atas
amplop. Misalnya, cap pos, logo perusahaan, dan lainnya. Jika diaplikasikan dalam
teks, maka isolasi bertujuan untuk mengisolasi dari karakter dan kata dari teks
(Gambar 2.4).
Gambar 2.4 Segmentasi Karakter
Aplikasi Jaringan Saraf Tiruan dalam
Rekognisi Karakter Numerik Berbasis Citra
21
Citra yang dihasilkan dari proses pemindaian boleh jadi masih mengandung sejumlah
noise. Selain itu, karakter yang dihasilkan dari proses thresholding juga dapat
menyebabkan karakter menjadi rusak sehingga mengurangi kualitas rekognisi
karakter. Untuk mengantisipasi hal ini, dapat dilakukan pelembutan citra (smoothing)
menggunakan berbagai metode seperti Gaussian blur.
Gambar 2.5 Normalisasi dan Pelembutan Citra Karakter
Sebagai tambahan, pada saat dilakukan proses pelembutan juga dilakukan normalisasi.
Proses normalisasi bertujuan untuk menyeragamkan ukuran, kemiringan, dan rotasi
karakter. Transformasi Hough digunakan untuk mendeteksi kemiringan citra hasil
pemindaian. Sementara agar rotasi dapat dilakukan, sudut rotasi harus ditemukan
terlebih dahulu. Sayangnya, sudut rotasi sulit ditemukan sebelum karakter dapat
dikenali.
Tujuan dari feature extraction adalah untuk menangkap ciri tertentu dari suatu
karakter. Terdapat tiga teknik yang umumnya dipakai dalam feature extraction, yaitu:
1. Distribusi titik (distribution of points)
2. Transformations and series axpansions
3. Analisa struktural
Aplikasi Jaringan Saraf Tiruan dalam
Rekognisi Karakter Numerik Berbasis Citra
22
Selanjutnya, recognition dan post-processing. Pada proses rekognisi digunakan
berbagai metode mulai dari Bayesian hingga JST. Model JST merupakan metode
yang paling sering digunakan karena kemudahan dan keakuratannya dalam
melakukan pengenalan pola, termasuk pola karakter. Masing-masing pixel dalam
pola menjadi input untuk masing-masing neuron dalam layar input jaringan.
CITRA
INPUT
LAYAR
INPUT
(4 neuron)
LAYAR
TERSEMBUNYI
(2 neuron)
LAYAR
OUTPUT
(3 neuron)
Gambar 2.6 Contoh Penggunaan JST dalam Rekognisi [5]
Tahap terakhir, post-processing. Di sini dilakukan evaluasi kinerja sistem rekognisi
karakter optik yang telah dibangun dengan menggunakan ketiga faktor berikut:
1. Recognition rate, yaitu jumlah dari karakter yang berhasil dikenali.
2. Rejection rate, yaitu jumlah dari karakter yang tidak berhasil dikenali.
Aplikasi Jaringan Saraf Tiruan dalam
Rekognisi Karakter Numerik Berbasis Citra
23
3. Error rate, yaitu jumlah dari karakter gagal atau error saat dikenali. Misalkan
tidak dapat dideteksi oleh sistem karena karakter tersebut rusak pada saat
dilakukan pemindaian.
2.3 Rekognisi Karakter Numerik
Rekognisi karakter numerik merupakan bagian dari sistem rekognisi karakter optik.
Jika rekognisi karakter optik umumnya bertujuan untuk mengenali teks berupa huruf
alphabet dan tanda baca, maka sesuai namanya, rekognisi karakter numerik lebih
difokuskan untuk mengenali karakter berupa angka numerik 0 – 9. Mengenali kode
pos seperti contoh di atas ataupun mengenali nomor telepon pada kertas fax,
merupakan contoh aplikasi rekognisi karakter numerik dalam kehidupan.
Aplikasi Jaringan Saraf Tiruan dalam
Rekognisi Karakter Numerik Berbasis Citra
24
Gambar 2.7 Contoh Program Aplikasi Rekognisi Karakter Optik
Dari segi teknik pemrosesan, komponen-komponen dalam rekognisi karakter numerik
tidak jauh berbeda dengan komponen-komponen rekognisi karakter optik, yaitu:
optical scanning, location segmentation, preprocessing, feature extraction,
recognition, dan post-processing.
Gambar 2.8 Proses Segmentasi pada Rekognisi Karakter Optik