English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Plus monthly

Global: Zendy Tools annual

Global: Zendy Tools monthly

Global: Zendy Free Plan

Duta Wacana Christian University Library has many collection of book. The book are neatly organized on the shelves and labeled but there are still many people who put the book on the wrong shelves. This research aims to create an application that can identify whether a book is misplaced or not with help of Moment Invariant and K-Nearest Neighbor method. Moment invariant is an extraction method that produce 7 features and this features is used to identify an object. While K-Nearest Neighbor is a method to classify object based on training data or template. The system receives input in form of image that contain row of books. This image will go through several processes. The processes are Region of Interest process to obtain book label, Histogram Approach process to obtain character from each label, thinning process to obtain skeleton of each character, and then Moment invariant for extraction method to obtain features that will be classified using K-nearest neighbor based on template. The research gave out two result and both of them use k=1 and 100x100 for character size. The first one has a result of 85.39% accuracy by using 30 test images where templates taken from the test images.The second result has 81.54% accuracy by using 20 test image where no template taken from the test images. Intisari— Perpustakaan Universitas Kristen Duta Wacana(UKDW) memiliki koleksi buku yang cukup banyak dan beragam. Buku-buku tersebut sudah disusun rapi pada rak-rak buku yang ada dan diberi label. Akan tetapi masih banyak peminjam yang meletakkan buku pada rak yang salah. Penelitian ini bertujuan untuk membuat aplikasi yang dapat mengetahui apakah sebuah buku salah letak atau tidak dengan menggunakan metode Moment Invariant dan K-Nearest Neighbor. Moment invariant merupakan sebuah metode ekstraksi fitur yang menghasilkan 7 fitur yang digunakan untuk mengenali sebuah obyek. Sedangkan K-Nearest Neighbor merupakan metode klasifikasi yang digunakan untuk mengklasifikasikan obyek berdasarkan data latih yang ada. Citra input berupa citra yang berisi deret buku. Citra ini akan melalui beberapa proses yaitu proses Region of Interest untuk mendapatkan label buku, proses segmentasi Histogram Approach untuk mendapatkan citra karakter tiap labelnya, proses thinning yang digunakan untuk mendapatkan kerangka tiap karakter, kemudian proses ekstraksi fitur Moment Invariant yang akan menghasilkan fitur dari citra karakter dan fitur-fitur tersebut akan diklasifikasikan menggunakan KNearest Neighbor sesuai dengan template yang ada seghingga citra karakter dapat dikenali. Dari penelitian yang telah dilakukan dapat disimpulkan bahwa sistem berhasil mengimplementasikan metode Moment Invariant dan KNearest Neighbor sehingga berhasil dalam mengenali karakakter pada label buku perpustakaan UKDW dengan menggunakan K=1 dan ukuran citra karakter sebesar 100x100. Terdapat 2 hasil persentase keakuratan yaitu sebesar 85.39% dengan menggunakan 30 citra uji yang didalamnya terdapat beberapa citra karakter yang digunakan sebagai template dan sebesar 81.54% dengan menggunakan 20 citra uji di mana tidak ada template yang berasal dari citra uji. Kata Kunci— OCR, moment invariant, K-NN,thinning, buku perpustakaan I. PENDAHULUAN Buku merupakan sarana atau alat yang banyak digunakan masyarakat dalam mencari ilmu. Meskipun pada era globalisasi sekarang banyak terdapat buku-buku elektronik, buku teks tetap digunakan oleh masyarakat terutama mahasiswa untuk mencari ilmu. Perpustakaan banyak ditemukan buku dengan berbagai macam jenis. Buku-buku di perpustakaan biasanya memiliki sebuah penanda yang berupa label. Label ini bertujuan untuk menunjukkan di mana seharusnya buku tersebut diletakkan, sehingga buku-buku di perpustakaan dapat diklasifikasikan dengan rapi di rak ada. Perpustakaan UKDW memiliki koleksi buku yang cukup beragam. Buku-buku tersebut juga ditandai dengan sebuah label. Akan tetapi masih banyak mahasiswa yang kurang teliti dan mengembalikan buku tidak pada tempatnya. Hal ini tentu membuat mahasiswa lain kesulitan dalam mencari buku yang diinginkan, serta membuat rak buku terlihat tidak rapi, maka dibutuhkan sebuah aplikasi yang memanfaatkan teknologi pengolahan citra yang dapat digunakan untuk mencari kesalahan penempatan letak buku di perpustakaan UKDW. Optical Character Recognition (OCR) merupakan salah satu dari teknologi pengolahan citra yang dapat digunakan untuk mengenali karakter di dalam label. Karakter yang sudah diidentifikasi dapat digunakan untuk mengetahui letak dari buku tersebut benar atau salah. Banyak metode dapat digunakan dalam OCR. Metode yang digunakan oleh Pujianto [1] pada penelitian yang sebelumnya adalah Template Matching. Sebelum dilakukan proses pengenalan label buku, terlebih dahulu dilakukan proses Region of Interest yang memperkecil ruang lingkup citra yang akan diproses. Kemudian dilakukan segmentasi menggunakan Hendy Yudhitya Susetya, Antonius Rachmat, Kristian Adi Nugraha 22 JUTEI Volume.1 No.1 April 2017 ISSN 2579-3675, e-ISSN 2579-5538 DOI 10.21460/jutei.2017.11.13 Histogram Approach, yang dilanjutkan dengan proses mengenali label buku dengan Template Matching. Dari hasil penelitian Pujianto [1], metode ROI, Histogram Approach dan Template Matching dapat mendeteksi kesalahan letak buku pada citra. Persentase keberhasilan ROI sebesar 98.61%, keberhasilan Histogram Approach 81.27% dan keberhasilan Template Matching 83.78%. Penulis dalam penelitiannya akan menggunakan metode yang berbeda yaitu ekstrasi fitur Moment Invariant dan metode klasifikasi K-NN. Moment Invariant merupakan sebuah metode ekstraksi fitur yang dapat menangani translasi, penyekalaan dan rotasi pada gambar. Metode ini akan menghasilkan 7 ciri yang nantinya dapat digunakan dalam pengenalan karakter [2]. Rizanti, Suprapto dan Regasari [3] melakukan penelitian untuk mengenali citra alphabet. Di dalam penelitian tersebut digunakan metode ekstraksi fitur Moment Invariant yang menghasilkan 7 fitur. Kemudian fitur-fitur tersebut diklasifikasikan menggunakan metode klasifikasi K-Nearest Neighbor (K-NN). K-NN adalah sebuah sebuah metode untuk melakukan pengklasifikasian berdasarkan data yang jaraknya paling dekat dengan objek tersebut. Rumus yang digunakan dalam menghitung jarak adalah Euclidian Distance. Dari penelitian ini didapatkan hasil dengan akurasi terbaik yaitu 84.74% dengan menggunakan 45 data set. Oleh karena itu diharapkan dengan menggunakan kedua metode tersebut dapat menambah keakuratan sistem dari penelitian sebelumnya. Pada penelitian ini, penulis akan membuat sebuah sistem untuk mengetahui kesalahan letak buku di perpustakaan UKDW. Berdasarkan hasil penelitian di atas, penulis memutuskan untuk menggunakan metode Moment Invariant sebagai metode ekstraksi fitur dan metode K-NN yang digunakan untuk mengklasifikasikan citra. Penulis berharap dengan menggunakan metode Moment Invariant dan K-NN dalam sistem ini dapat menghasilkan hasil persentase akurasi yang lebih baik dari penelitian yang sebelumnya. II. LANDASAN TEORI A. Region of Interest Region of Interest (ROI) adalah sebuah algoritma yang membatasi perhitungan hanya pada sebuah area tertentu dari sebuah citra utuh sesuai keinginan user. Dengan hanya memilih area ini secara khusus, maka akan meningkatkan kecepatan perhitungan dari komputer. Hal ini dikarenakan perhitungan hanya terjadi pada area yang dipilih dan tidak pada area yang lain. [4] Tahapan-tahapan yang terjadi pada proses ROI adalah sebagai berikut. 1) Binarization dan Grayscale Pada penelitian ini proses Binarization dan Grayscale digabung menjadi satu proses. Proses grayscale merupakan salah satu tahap awal pada proses ROI. Fungsi utama dari proses ini adalah mengubah citra menjadi citra Grayscale. Untuk mengubah citra menjadi citra Grayscale dapat dilakukan dengan mengambil rata-rata dari nilai R, G dan B [5]. Rumus (1) merupakan rumus Grayscale. = 9 + 4 + / /3 (1) Sedangkan Binarization sendiri merupakan metode untuk mengubah citra grayscale menjadi citra biner(hitam-putih). 2) Image Cropping Image Cropping merupakan tahapan di mana memotong bagian yang tidak diperlukan dan menyisakan bagian yang diperlukan. Dalam penelitian ini proses cropping bertujuan untuk mencari baris label dan kemudian baris label tersebut dipotong menjadi potongan label. Gambar 1 merupakan pseudocode dari proses Image Cropping. Gambar. 1. Pseudocode proses Image Cropping B. Histogram Approach Histogram Approach merupakan salah satu metode segmentasi dengan menggunakan grafik. Grafik yang dihasilkan dapat digunakan untuk menentukan jeda antar baris maupun jeda antar karakter, sehingga mempermudah proses segmentasi. Berdasarkan Dongre [6] Histogram Approach memiliki 3 proses yaitu line segmentation, word segmentation, dan character segementation. 1) Line segmentation Line Segmentation digunakan untuk mengidentifikasi baris karakter dan memisahkan 1 baris dengan baris lainnya. Gambar 2 merupakan contoh dari Line Segmentation. a) Sebelum Line Segmentation Start Get image cb width = Get cb size height = Get cb size For y=0 to height batasAtas = Get y batasBawah = Get y End for Crop cb use batasAtas and batasBawah n = 0 For x=0 to width xAwal[n] = Get x xAkhir[n] = Get x n++ End for For i=0 to n Create new image label[i] use xAwal[i] and xAkhir[i] End for Finish Implementasi Moment Invariant Untuk Pengenalan Label Buku Perpustakaan Berbasis Android JUTEI Volume.1 No.1 April 2017 ISSN 2579-3675, e-ISSN 2579-5538 DOI 10.21460/jutei.2017.11.13 23 b) Setelah Line Segmentation Gambar. 2. Line Segmentation ( [6]) 2) Word segmentation Word segmentation digunakan untuk mengidentifikasi antar kata dalam suatu baris dan memisahkan 1 kata dengan kata lainnya. Gambar 3 merupakan contoh dari Word Segmentation. a) Sebelum Word Segmentation b) Sesudah Word Segmentation Gambar. 3. Word Segmentation ( [6]) 3) Character segementation Character segmentation digunakan untuk mengidentifikasi karakter pada sebuah kata dan memisahkan antar karakter. Gambar 4 merupakan contoh dari Chara

IMPLEMENTASI MOMENT INVARIANT UNTUK PENGENALAN LABEL BUKU PERPUSTAKAAN BERBASIS ANDROID