Full PDF

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PENGENALAN POLA ANGKA DENGAN WAVELET HAAR
Skripsi
Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Sains
Program Studi Ilmu Komputer
Oleh :
Fransisca Pramesti
NIM: 023124019
PRODI ILMU KOMPUTER JURUSAN MATEMATIKA

FAKULTAS MIPA
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2007
SKRIPSI
Oleh :
Fransisca Pramesti
NIM: 023124019
Telah disetujui oleh:
Pembimbing
A. Rita Widiarti, S.Si, M.Kom Tanggal………………………...

HALAMAN PENGESAHAN
Dipersiapkan dan ditulis oleh
FRANSISCA PRAMESTI
NIM : 023124019
PERNYATAAN KEASLIAN KARYA
Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis ini
tidak memuat karya/bagian karya orang lain, kecuali yang telah disebutkan dalam
kutipan dan daftar pustaka, sebagaimana layaknya karya ilmiah.

Kesuksesan adalah kebanggaan, dan proses dibalik semua

itu adalah pelajaran
Allah turut bekerja dalam segala sesuatu untuk

mendatangkan kebaikan bagi mereka yang mengasihi Dia...
Roma 8:28
Tugas akhir ini kupersembahkan untuk :
TUHAN YESUS, BUNDA MARIA
Bapak Nararyohadi &Ibu Dwi Purwaningsih
Adikku Adi dan Tyas

ABSTRAK
Usaha untuk menghasilkan alat yang dapat meniru kemampuan manusia

dalam pengenalan obyek terus dilakukan diberbagai bidang. Usaha-usaha tersebut
telah mendukung berkembangnya suatu disiplin dan metodologi yang kemudian
dikenal dengan nama Pengenalan Pola (Pattern Recognition). Salah satu yang
populer adalah aplikasi Optical Character Recognition.
Aplikasi dari Optical Character Recognition yang terdapat dalam tugas
akhir ini digunakan untuk mengenali tulisan tangan yang ditulis dengan alat bantu
mouse yang telah disimpan dalam bentuk file .bmp. Proses pengenalan karakter
ini diterapkan menggunakan metode template matching, dimana cara kerja metode
ini adalah melakukan pengenalan pola terhadap karakter yang ingin dikenali
dengan membandingkan antara input pattern dengan template yang sudah
disimpan. Proses recognition yang diterapkan menggunakan feature extraction
dengan wavelet Daubechies 1 atau yang biasa disebut dengan wavelet Haar. Hasil
yang dicapai dari sistem ini menunjukkan bahwa unjuk kerja pengenalan
meningkat cukup signifikan untuk masukan dengan dimensi 32 x 32
(dekomposisi wavelet level 1) yaitu sebesar 83.33%, untuk masukan berdimensi
16 x 16 (dekomposisi wavelet level 2) sebesar 63.33%, dan masukkan dengan
dimensi 8 x 8 (dekomposisi wavelet level 3) sebesar 60%. Prosentase
keberhasilan yang relatif kecil pada level 2 dan level 3 disebabkan karena semakin
kecil dimensi gambar masukan, maka informasi yang tersimpan pada gambar
masukan juga semakin sedikit.
ABSTRACT
Efforts for producting tools which can imitate human skill in recognizing an
object have been conducting in many different aspects. The efforts support the
development of a kind of disciplined methodology called Pattern Recognition.
One of the most popular ones is Optical Character Recognition Application.
The application of Optical Character Recognition which have been stored in
this thesis is need to recognize handwriting written by mouse. The character
recognition process is applied using template matching method, in which the
method works by recognizing the pattern in the character which suppose to be
recognized by comparing the input pattern with stored template. The recognition
process applied uses feature extraction with daubechies1 wavelet, also known as
Haar wavelet. The result achieved from this system shows that the recognition
result increase significantly for the input with 32 x 32 dimensions (Level 1 of
wavelet decomposition) that is for about 83.33%. Compared with the input with
16 x 16 dimensions (level 2 of wavelet decomposition) and the input with 8 x 8
dimensions (level 3 of wavelet decomposition). The percentage of the success on
level 2 and level 3 caused by the input images dimension in become smaller. So
the information which has been restore on the input image also become smaller.
KATA PENGANTAR
Puji dan syukur penulis ungkapkan pada Tuhan Yesus dan Bunda Maria,
karena hanya berkat dan bimbingan-Nya penulis bisa menyelesaikan tugas akhir
ini. Dengan usaha yang keras dan diiringi doa yang tiada henti juga atas bantuan
semua pihak maka skripsi ini dapat diselesaikan.
Dengan selesainya tugas akhir yang merupakan salah satu syarat untuk
meraih gelar Sarjana pada Program Studi Ilmu Komputer Universitas Sanata
Dharma Yogyakarta, penulis mengucapkan terima kasih yang sebesar - besarnya
kepada:
1. Ibu PH Prima Rosa, S.Si., M.Sc selaku Ketua Program Studi Ilmu Komputer
Universitas Sanata Dharma.
2. Ibu Rita Widiarti, S.Si, M.Kom selaku Dosen pembimbing atas segala
pemikiran dalam membimbing, ide, tenaga dalam menyelesaikan skripsi ini,
serta kesabaran dan sarana yang sangat penulis perlukan untuk
menyelesaikan tugas akhir ini dari awal hingga selesai.
3. Bapak St. Eko Hari Permadi, S.Si., M.Kom dan Bapak Y.Joko Nugroho,
S.Si selaku Dosen penguji dan semua dosen Ilmu Komputer Universitas
Sanata Dharma yang telah memberikan dukungan dalam penyelesaian
skripsi ini.
4. Orang tua tercinta Bapak Nararyohadi dan Ibu Dwi Purwaningsih. Terima
kasih atas doa, dukungan untuk terus maju, cinta dan kesabaran dalam
mendidik penulis.
5. Adikku Adi dan Tyas, makasih buat dukungan dan hiburannya ☺
6. Agustinus Adi Santoso, makasih buat doa, dukungan dan kesabaran
menemani menyelesaikan tugas akhir ini.
7. Hendy, Agus, Uus, Oscar, Tina, Pipit, Evy, Agnes Putri, Ikoq, Lusi, Agnes
Novens, dan Teman-teman IKOM 02 yang tidak bisa disebutkan satu per
satu.
8. Bpk/Ibu Joko Pamungkas, dan teman-teman wisma Rosari yang telah
bersedia menjadi pengisi template angka (Dinta+Yoyo, Nine+Presto, Devi,
Agnes (D’ Patkay), Agnes Psi, Jean, Suci, Dewi, Vivi, Tina, Tika, Nice, De’
e, Sri ), dan seluruh penghuni Rosari!!!!!
9. Galuh, Titis dan Keluarga Besar Papringan.
10. Petugas Laboran dan Sekre MIPA (Pak Tukijo, Ibu Linda) terima kasih buat
bantuannya.
Penulis menyadari bahwa dalam penulisan tugas akhir ini masih
banyak kekurangan, kelemahan dan jauh dari sempurna. Oleh sebab itu
penulis dengan kerendahan hati mengharapkan kritik dan saran yang
membangun untuk penyempurnaan tugas akhir ini.
Yogyakarta, April 2007
Penulis
10
DAFTAR ISI
HALAMAN JUDUL……………………………………………………….. i
HALAMAN PERSETUJUAN....................................................................... ii
HALAMAN PENGESAHAN....................................................................... iii
PERNYATAAN KEASLIAN KARYA…………………………………… iv
HALAMAN PERSEMBAHAN................................................................... v
ABSTRAK………………………………………………………………….. vi
ABSTRAC..................................................................................................... vii
KATA PENGANTAR.................................................................................. viii
DAFTAR ISI……………………………………………………………….. x
DAFTAR TABEL……………………………………................................ xii
DAFTAR GAMBAR……………………………………………………….. xiii
BAB I PENDAHULUAN………………………………………………….. 1
A. Latar Belakang………………………………………………………. 1
B. Rumusan Masalah…………………………………………………… 2
C. Batasan Masalah…………………………………………………….. 2
D. Tujuan Penulisan…………………………………………………….. 2
E. Manfaat Penulisan…………………………………………………… 2
F. Metodologi Penelitian………………………………………………... 3
G. Sistematika Pembahasan…………………………………………….. 3
BAB II LANDASAN TEORI……………………………………………… 5
A. Pengertian Pengenalan Pola………………………………………… 5
B. Sistem Pengenalan Pola………………………………….................. 6
1. Pendekatan Statistik…………………………………………….. 6
2. Pendekatan Sintaktik……………………………………………….10
C. Ekstraksi Ciri Dengan Dekomposisi Wavelet…………………… 11
1. Vektor……………………………………………………….. 11
2. Wavelet……………………………………………………………12
11
3. Transformasi Terhadap Citra…………………………………… 17

4. Contoh Dekomposisi Citra Dengan Wavelet Haar………………..18
D. Euclidean Algoritma……………………………………………… 21
BAB III ANALISA DAN PERANCANGAN SISTEM…………………... 22
A. Analisa Sistem……………………………………............................. 22
1. Desain Sistem Pembuat Basis Data…………………………… 23
2. Desain Sistem Pengenalan Angka…………………………….. 24
B. Analisa Kebutuhan Hardware dan Software……………………….. 25
C. Perancangan User interface………………………………………… 26
D. Perancangan Proses………………………………………………… 35
1. Input Data Baru……………………………………………….. 35
2. Preprocessing ………………………………………………… 36.
3. Ekstraksi Ciri………………………………………………… 37
4. Pengenalan Angka……………………………………………. 38
BAB IV IMPLEMENTASI………………………………………………... 40
A. Algoritma..………………………………………………………… 40
B. Jalannya Program…….…………………………………………… 43
BAB V HASIL DAN PEMBAHASAN………………………………… 55
C. Hasil Pengujian……………………………………………………… 55
D. Analisa Hasil………………………………………………………… 59
BAB VI KESIMPULAN DAN SARAN…………………………………… 60
DAFTAR PUSTAKA…………………………............................................. 61
LAMPIRAN A............................................................................................. 63
LAMPIRAN B.............................................................................................. 93
LAMPIRAN C............................................................................................... 95
12
DAFTAR TABEL
Tabel 2.1 Tabel Pola dan Cirinya………………………… 5
Tabel 2.2 Analogi pendekatan statistika dan sintatik……………………… 10
Tabel 2.3 Scalling, Mother Wavelet, Mother Wavelet Dilasi, Mother
Wavelet Dilasi digeser.................................................................. 14
Tabel 5.1 Hasil Pengujian………………………………………………… 55
Tabel 5.2 Prosentase Kebenaran Pengenalan……………………………. 59

13
DAFTAR GAMBAR
2.1 Grafik fungsi kerapatan dan ciri diameter apel dan jeruk......................... 7
2.2 Diagrampendekatanstatistik..................................................................... 8
2.3 Contoh Pembagian Kelas Pola………………………………………… 9
2.4 Diagram Pendekatan Sintaktik……………………………………… 10
2.5Vektor h0, h1, h2, h3 dalam Bentuk Sinyal……………………………… 13
2.6 Algortima Pyramida Mallat…………………………………………….. 15
2.7 Proses Dekomposisi wavelet…………………………………………….. 17
2.8 Hasil Dekomposisi wavelet …………………………………… 18
2.9 Diagram Ruang ciri set sample belajar. Sampel i
dimasukkan ke kategori k=3 berdasarkan
metode tetangga terdekat dengan pengukuran jarak educlidean…..... 21
3.1 Hubungan antara sistem pembuat basis data dengan sistem
pengenalan angka……………………………………………………… 22
3.2 DFD level 0……………………………………………………………. 23
3.3 DFD level 1 ……………………………………………………………. 23
3.4 DFDlevel2…………………………………………………………… 24
3.5 DFD level 0………………………………………………………… 24
3.6 DFD level 1……………………………………………………………… 24
3.7 DFD level 2……………………………………………………………… 25
3.8 Flowchart umum………………………………………………………… 27
3.9 Form awal……………………………………………………………….. 28
3.10 Form menu utama……………………………………………………… 29
3.11 Form perancangan struktur menu utama……………………………….. 29

14
3.12 Form ambil gambar………………………………………………………. 30
3.13 Form tampilan gambar masukan……………………………………… 31
3.14 Perancangan form tampilan gambar preprocessing……………………… 32
3.15 Perancangan form tampilan gambar ekstraksi ciri……………………….. 33
3.16 Perancangan form hasil pengenalan……………………………………… 33
3.17 Perancangan peringatan………………………………………………….. 34
3.18 Perancangan konfirmasi………………………………………………….. 34
3.19 Perancangan informasi………………………………………………….. 34
3.20 Flowchart input data baru………………………………………………. 35
3.21 Flowchart preprocessing……………………………………………… 36
3.22 Flowchart ekstraksi ciri………………………………………………… 37
3.23 Flowchart pengenalan angka…………………………………………… 39
4.1 Form welcome…………………………………………………………… 43
4.2 menu utama……………………………………………………………… 44
4.3 Open file gambar angka………………………………………………… 44
4.4 Form waitbar……………………………………………………………… 45
4.5 Form proses pengenalan tampil gambar………………………………… 45
4.6 Hasil preprocessing……………………………………………………… 46
4.7 ekstraksi ciri level 1……………………………………………………… 47
4.10 Hasil pengenalan……………………………………………………….. 50
4.11 Input data baru………………………………………………………… 51

15
4.12 Form data baru…………………………………………………………… 51
4.13 Form data baru preprocessing………………………………………… 52
4.14 Form vektor ciri……………………………………………………….. 52
4.15 Form dialog simpan…………………………………………………… 53
4.16 Kesalahan preprocessing……………………………………………… 53
4.17 Kesalahan ekstraksi ciri………………………………………………… 53
4.18 Dialog keluar dari program……………………………………………… 54

16
BAB I
PENDAHULUAN
A. Latar Belakang
Manusia mempunyai kemampuan luar biasa untuk mengenali obyek-
obyek berdasarkan ciri-ciri atau pengetahuan yang pernah diamatinya dari obyek-
obyek bersangkutan. Misalnya manusia dapat membedakan dengan mudah antara
tiang listrik dengan pohon, atau antara kursi dengan meja. Begitu juga
kemampuan pengenalan manusia dalam mengenali tulisan tangan maupun tulisan
cetak dalam bentuk angka maupun huruf.
Usaha untuk menghasilkan alat yang dapat meniru kemampuan manusia
dalam pengenalan obyek terus dilakukan diberbagai bidang. Usaha-usaha tersebut
telah mendukung berkembangnya suatu disiplin dan metodologi yang kemudian
dikenal dengan nama Pengenalan Pola (Pattern Recognition). Salah satu yang
populer adalah aplikasi Optical Character Recognition.
Pada proses pengenalan itu sendiri, terdapat beberapa metode untuk
mendapatkan hasil pengenalan yang lebih akurat. Salah satu yang populer adalah
Dekomposisi Wavelet Haar. Disini Wavelet Haar digunakan untuk penarikan
vektor ciri. Wavelet Haar merupakan wavelet yang paling sederhana. Selain itu,
dibandingkan dengan penyimpanan langsung (tanpa transformasi), penyimpanan
citra digital sebagai deret Haar (yang diwakili oleh koefisien Haar) mempunyai
keunggulan yaitu semakin tinggi resolusi citra digital tersebut, semakin banyak
koefisien Haar dan semakin kecil nilainya (banyak di antaranya malah akan
17
bernilai nol). Pembulatan koefisien-koefisien Haar yang bernilai "kecil" menjadi
nol akan menghemat banyak memori penyimpanan dan tidak akan mengubah
banyak citra semula. Dan juga Wavelet Haar dapat membawa keluar ciri (feature)
asli dari citra yang dikenainya. Dengan demikian penulis tertarik untuk membuat
aplikasi pengenalan angka dengan ekstraksi ciri Wavelet Haar.
B. Rumusan Masalah
Membangun program apliksi untuk mengenali angka dengan Wavelet Haar.
C. Batasan masalah
1. Metode ekstraksi ciri wavelet Haar yang dipakai hanya pada level 1, level
2, dan level 3
2. Gambar masukan berupa gambar angka yang ditulis dengan alat bantu
mouse dengan format .bmp
3. Posisi gambar angka tegak
4. Ukuran gambar minimal 64 pixel x 64 pixel
D. Tujuan
Membuat aplikasi yang dapat mengenali gambar angka dengan
pemrosesan awal wavelet .
E. Manfaat
Hasil pengenalan dapat dikembangkan untuk aplikasi pengenalan pola
yang lain, misalnya pengenalan kode pos
F. Metodologi
Metodologi dalam Rekayasa Perangkat Lunak yang digunakan adalah
metode Waterfall. Tahap-tahap yang akan dilakukan adalah :

18
1. Perancangan sistem : mengumpulkan input untuk sistem dan output apa

saja yang akan dihasilkan oleh sistem yang dibuat.
2. Analisis : Semua kebutuhan yang sudah dikumpulkan diidentifikasi dan
difokuskan secara khusus pada program aplikasi.
3. Desain : Pada tahap ini semua kebutuhan yang sudah diidentifikasi akan
diubah menjadi suatu representasi software sepert flowchart yang dapat
dipelajari kualitasnya sebelum memasuki tahap coding.
4. Implementasi: Hasil dari tahap desain akan diubah menjadi bentuk yang
dapat dibaca dan dieksekusi oleh mesin , dalam hal ini adalah dalam
bentuk listing program.
5. Pengujian: Untuk menemukan error dan memastikan bahwa input yang
sudah diidentifikasikan pada tahap perancangan dan analisis akan
menghasilkan output seperti yang diinginkan.
G. Sistematika Penulisan
BAB I Pendahuluan
Pada bab ini akan dibahas latar belakang masalah, rumusan masalah,
batasan masalah, metodologi, tujuan dan manfaat, sistematika
penulisan.
BAB II Landasan Teori

Dalam bab ini akan dijelaskan mengenai pengetahuan yang menjadi
dasar teori untuk mengimplementasikan pengenalan pola dengan
menggunakan transformasi wavelet sebagai pemrosesan awal dan
euclidean algoritma sebagai metode pengambilan keputusan.
BAB III Analisis Sistem

Dalam bab ini akan diidentifikasikan masalah yang akan diselesaikan
dan tahap-tahap penyelesaian masalah pengenalan pola
BAB IV Implementasi
19
Dalam bab ini akan dibahas algoritma untuk implementasi pengenalan
pola dan tampilan jalannya program
BAB V Hasil dan Pembahasan
Dalam bab ini akan ditampilkan hasil pengujian program dan analisa
terhadap hasil pengujian.
BAB VI Kesimpulan dan Saran
Dalam bab ini memuat kesimpulan dan saran dari masalah yang telah
dibahas
20
BAB II
DASAR TEORI
A. Pengertian Pengenalan Pola
Pola adalah entitas yang terdefinisi dan dapat didefinisikan melalui ciri-
cirinya (feture) (Rinaldi Munir, 2004). Feature adalah deskriptor yang
menggambarkan karakteristik dari suatu obyek (Dina Chahyati, 2003). Ciri ini
digunakan untuk membedakan suatu pola dengan pola lainnya. Ciri yang bagus
adalah ciri yang memiliki daya pembeda yang tinggi, sehingga pengelompokan
pola berdasarkan ciri yang dimiliki dapat dilakukan dengan keakuratan yang
tinggi. Berikut contoh pola beserta ciri yang dimiliki sebagai pembeda
Tabel 2.1 Contoh Pola dan Cirinya
Pola Ciri
Tinggi, tebal, titik sudut, lengkungan

Huruf
garis,dll
Amplitude, frekuensi, nada, intonasi,

Suara
warna, dll
Tanda tangan Panjang, kerumitan, tekanan,dll
Sidik jari Lengkungan, jumlah garis, dll
Sedangkan pengertian pengenalan pola sendiri adalah proses pengenalan
suatu obyek dengan menggunakan berbagai metode dimana dalam proses
pengenalannya memiliki tingkat akurasi yang tinggi (Suta Wijaya, 2004).

21
Memiliki tingkat akurasi yang tinggi mengandung pengertian bahwa suatu objek
yang secara manual tidak dapat dikenali, tetapi bila menggunakan salah suatu
metode pengenalan yang diaplikasikan pada komputer masih dapat dikenali.
Pengenalan pola bertujuan menentukan kelompok atau kategori pola berdasarkan
ciri-ciri yang dimiliki oleh pola tersebut. Dengan kata lain, pengenalan pola
membedakan suatu obyek dengan obyek lain ( Rinaldi Munir, 2004).
B. Sistem Pengenalan Pola
Dalam pengenalan pola terbagi ke dalam dua fase proses pengenalan yaitu :
1) fase pelatihan, pada fase ini beberapa contoh citra dipelajari untuk
menentukan ciri yang akan digunakan dalam proses pengenalan
serta prosedur klasifikasinya.
2) Fase pengenalan, pada fase ini citra diambil cirinya kemudian
ditentukan kelas kelompoknya.
Pendekatan yang digunakan dalam sistem pengenalan pola yaitu
pendekatan secara statistik dan pendekatan secara sintatik atau struktural (Rinaldi
Munir,2004)
1. Pendekatan Statistik
Pendekatan ini menggunakan teori-teori ilmu peluang dan statistik. Ciri-
ciri yang dimiliki oleh suatu pola ditentukan distribusi statistiknya. Pola
yang berbeda memiliki distribusi yang berbeda pula. Dengan
menggunakan teori keputusan di dalam statistik, digunakan distribusi ciri
untuk mengklasifikasi pola.

22
Contoh teori keputusan:
Misalkan ada N pola yang dikenali, yaitu w1, w2,...,wN dan fungsi
peluang atau kerapatan dari ciri – ciri pada pola diketahui. Jika x
merupakan hasil pengukuran ciri – ciri, maka
P( x | wi ) , i = 1, 2, ..., N
dapat dihitung.
Sebagai contoh, misalkan diketahui fungsi kerapatan dari diameter
buah jeruk dan apel.
peluang 1 P ( diameter | jeruk )
P ( diameter | apel )
diameter
0 a b 1
Gambar 2.1. : Grafik Fungsi Kerapatan dari ciri diameter jeruk dan apel
Jika sebuah objek diukur dan diperoleh diameternya adalah a cm, maka dapat
diklasifikasikan objek tersebut sebagai “ jeruk “, karena
p ( a | jeruk ) > p ( a | apel )
dan jika sebuah objek diukur dan diperoleh diameternya adalah b cm, maka
dapat diklasifikasikan objek tersebut sebagai “ apel “, karena
p ( a | jeruk ) > p ( a | apel ). Gambar sistem pengenalan pola dengan
pendekatan statistik ditunjukkan oleh diagram pada Gambar 2.2 (Rinaldi
Munir,2004).
23
Gambar 2.2 Diagram Pendekatan Statistik
Langkah-langkah sistem pengenalan pola dengan pendekatan statistik pada
gambar 2.2 diterangkan sebagai berikut :
1) Preprocessing
Preprocessing adalah proses awal yang dilakukan untuk memperbaiki
kualitas citra dengan menggunakan teknik-teknik pengolahan citra
(Rinaldi Munir,2004). Teknik pengolahan citra yang digunakan dalam
penulisan ini adalah binerisasi dan pengubahan ukuran (imresize).
Binerisasi adalah proses mengubah pixel citra yang memiliki dua nilai
keabuan yaitu hitam dan putih (Rinaldi Munir,2004).
2) Feature Extraction
Feature Extraction adalah proses mengambil ciri-ciri yang terdapat pada
obyek di dalam citra. Pada proses ini obyek di dalam citra mungkin
perlu dideteksi seluruh tepinya lalu menghitung properti-properti obyek
yang berkaitan sebagai ciri. Proses ekstraksi ciri menggunakan
dekomposisi wavelet
24
3) Classification
Classification adalah proses mengelompokkan obyek ke dalam kelas
yang sesuai.
4) Feature Selection
Feature selection adalah proses memilih ciri pada suatu obyek agar
diperoleh ciri yang optimum, yaitu ciri yang dapat digunakan untuk
membedakan suatu obyek dengan obyek lainnya.
5) Learning
Learning adalah proses belajar membuat aturan klasifikasi sehingga
jumlah kelas yang tumpang tindih dibuat sekecil mungkin. Kumpulan
ciri dari suatu pola dinyatakan sebagai vektor ciri dalam ruang multi
dimensi. Jadi, setiap pola dinyatakan sebagai sebuah titik dalam ruang
multi dimensi. Ruang multi dimensi dibagi menjadi sejumlah subruang.
Tiap subruang dibentuk berdasarkan pola-pola yang sudah dikenali
kategori dan ciri-cirinya .
Gambar 2.3 Contoh Pembagian Kelas Pola
(Sumber : Pengolahan Citra Digital Dengan Pendekatan Algoritmik, Rinaldi Munir)

25
2. Pendekatan sintatik
Pendekatan sintaktik adalah pendekatan untuk pengenalan pola menggunakan
teori bahasa formal. Ciri-ciri yang terdapat pada suatu pola ditentukan primitif
dan hubungan struktural antara primitif kemudian menyusun tata bahasanya.
Kelompok ini ditentukan dari aturan produksi pada tata bahasa yang telah
disusun. Gambar 2.4 memperlihatkan sistem pengenalan pola dengan
pendekatan sintaktik.
Gambar 2.4 Pendekatan sintaktik
Pendekatan yang digunakan dalam membentuk tata bahasa untuk mengenali
pola adalah mengikuti kontur atau tepi batas obyek dengan sejumlah segmen
garis terhubung satu sama lain, lalu mengkodekan setiap garis tersebut,
misalnya dengan kode rantai. Setiap segmen garis mempresentasikan primitif
pembentuk obyek. Analogi Pendekatan Statistik dan Sintaktik pada tabel 2.2
Tabel 2.2 Analogi Pendekatan Statistik dan Sintatik
Ciri/feture (warna,tekstur) Primitif (garis lurus, orientasi)
Density Function Grammar (natural language)

(probabilitas)
26
Inferensi (aplikasi primitif pada grammar)

Estimation (mean, varian)
Classification (kategori Description (kategori obyek)
obyek)
Contoh beberapa Sistem Pengenalan Pola :
• Prosedur dasar computer untuk klasifikasi obyek otomatis dan
pembuatan keputusan.
• Pengenalan sidik jari, suara
• Pengenalan barcode untuk industri
C. Ekstraksi Ciri Dengan Dekomposisi Wavelet
1. Vektor
Apabila diketahui sebuah ruang vektor dua dimensi, maka akan terdapat
vektor [1 0]T dan [0 1]T untuk merepresentasikan semua vektor yang dapat
terbentuk di ruangan tersebut.
Contoh : [2 3] T = 2 [1 0] T + 3 [0 1] T.
Dengan demikian, dikatakan bahwa vektor [0 1]T dan [1 0]T merupakan basis dari
ruang vektor dua dimensi karena dapat merepresentasikan semua vektor sebagai
kombinasi linier dari basis [0 1]T dan [1 0]T. Atau dapat pula dikatakan bahwa
basis [0 1]T, [1 0]T merentang ruang dua dimensi.
Bila ingin mempresentasikan sebauh titik atau vektor, maka basis [0 1]T
dan [1 0]T sudah cukup memadai. Tetapi, basis [0 1]T, [1 0]T bukan satu-satunya
basis yang bisa merentang ruang dua dimensi. Ada basis-basis lainnya yang bisa
digunakan, contohnya [1 2]T, [2 -1] T. Selain berbentuk kumpulan vektor, basis
dapat juga berbentuk kumpulan fungsi.

27
2. Wavelet
Wavelet juga merupakan sebuah basis. Basis wavelet berasal dari sebuah
fungsi penskalaan atau dikatakan juga sebuah scaling function. Scaling function
memiliki sifat yaitu dapat disusun dari sejumlah salinan dirinya yang telah
didilasikan, ditranslasikan dan diskalakan . Fungsi ini diturunkan dari persamaan
dilasi (dilation equation), yang dianggap sebagai dasar dari teori wavelet.
Persamaan dilasi berbunyi demikian :
φ ( x) = ∑ c k φ (2 x − k ) …………….. (2.1)
Dari persamaan scaling function ini dapat dibentuk persamaan wavelet yang
pertama (atau disebut juga mother wavelet), dengan bentuk sebagai berikut :
ϕ 0 ( x) = ∑ (−1) k c1− k φ (2 x − k ) ………………(2.2)

k
Dari mother wavelet ini kemudian dapat dibentuk wavelet-wavelet
berikutnya (ψ1, ψ2 dan seterusnya) dengan cara mendilasikan (memampatkan atau
meregangkan) dan menggeser mother wavelet.
Scaling function yang dapat membentuk wavelet bermacam-macam
jenisnya. Berdasarkan scaling function inilah basis wavelet memiliki nama yang
berbeda-beda.
• Wavelet Haar memiliki scaling function dengan koefisien c0 = c1 = 1.
• Wavelet Daubechies dengan 4 koefisien (DB4) memiliki scaling function
dengan koefisien c0 = (1+√3)/4, c1 = (3+√3)/4, c2 = (3-√3)/4, c3 = (1-
√3)/4
• Wavelet B-Spline kubik memiliki scalilng function dengan koefisien c0 =
1/8, c1 = 4/8, c2 = 6/8, c3 = 4/8, c4 = 1/8.

28
Wavelet Haar dapat dijelaskan dalam ruang vektor 4 dimensi. Basis paling
sederhana yang sudah sering digunakan adalah basis orthonormal sebagai berikut :
1  0 0 0

0 1  0 0
v 0 =   , v 1 =  , v 2 =   , v 3 =  
0 0 1  0
       
0 0 0 1 
Wavelet Haar juga merentang ruang vektor 4 dimensi dengan vektor-vektor basis
sebagai berikut
1 1 1 0

1 1 − 1 0
h0 =   ,h =   ,h =   ,h =  
1 1  − 1 2  0  3  1 
      
1  − 1 0 − 1
yang bila digambarkan dalam bentuk sinyal akan berbentuk sebagai berikut :
Gambar 2.5 Gambar vektor h0, h1, h2, h3 dalam bentuk sinyal
Sumber : Dina Chahyati. Fakultas Ilmu Komputer Universitas Indonesia Jakarta

http://www.ui.cs.ac.id , diakses November 2006
29
Tabel 2. 3 Scaling, mother wavelet, mother wavelet dilasi, mother wavelet didilasi dan digeser
Jika menggunakan basis orthonormal v0, v1, v2, dan v3, dapat untuk
merepresentasikan suatu vektor sebagai kombinasi linier dari v0, v1, v2, dan v3.
Misalkan ada vektor
6
4
x= 
− 7 
 
5
Jika vektor x dituliskan sebagai berikut,
x = a v0 + b v1 + c v2 + d v3 ……………………….. (2.3)
Maka dapat dengan mudah ditemukan bahwa a=6, b=4, c=-7, dan d=5
Jika suatu vektor dipresentasikan sebagai kombinasi linear dari vektor-
vektor dalam wavelet Haar, maka nilai a,b,c dan d dalam persamaan (2.4)
 x0  1 1 1 0

x  1 1   0
 1  = a   + b   + c − 1 + d   ……………………. (2.4)
 x2  1  − 1 0 1
        
 x3  1  − 1 0 − 1
30
Dapat dicari dengan :

Menurunkan persamaan (2.4) sebagai berikut :
x0 = a + b + c
x1 = a + b – c
x2 = a – b +d
x3 = a – b –d
sehingga didapatkan :
x2 – x3 = 2d
x0 – x1 = 2c
(x0 + x1) – (x2 + x3) = 4b
(x0 + x1) + (x2 + x3) = 4a
Dengan demikian dapat diambil kesimpulan bahwa
d = ½ (x2 – x3)
c = ½ (x0 – x1)
b = ½ ( ½ (x0 + x1) – ½ (x2 + x3))
a = ½ ( ½ (x0 + x1) + ½ (x2 + x3))
Terlihat bahwa sebenarnya koefisien-koefisian a,b,c,d dapat diperoleh dari operasi
averaging (penambahan) dan differencing (selisih) terhadap nilai x0, x1, x2 dan x3
dengan aturan tertentu.
Stephane Mallat kemudian memperkenalkan cara mudah menghitung
koefisien a, b, c dan d dengan cara yang dikenal dengan algoritma piramida
Mallat. Algoritma tersebut dapat ditunjukkan dengan gambar berikut.
aj 
→
L
a j −1 
→
L
a j − 2 ... 
→
L
a0
H H H
d j −1 d j −2 d0
Gambar 2.6 Gambar algoritma pyramida Mallat
dimana aj adalah vektor awal dengan ukuran 2j, dan koefisien a, b, c, d dapat
diperoleh dari aproksimasi a0 detail-detail d0, d1 dan seterusnya. Matriks L dan H

31
masing masing adalah matriks lowpass (averaging) dan highpass (differencing)
dengan bentuk:
 c0 c1 c2 c3 ...   c3 − c2 c1 − c0 ... 
 c0 c1 c2 c3 ...   c3 − c2 c1 − c0 ... 
1  1 
L= . . H = . .
2 . .
 2 . . − c2 − c0

 c0 c1 c2 c3
  c3 c1

.c 2 c3 . c0 c1 
 .c1 − c0 . c3 − c2 

Matriks L dan H untuk basis Haar dimana c0 = c1 = 1 adalah sebagai berikut :
 12 1
2 0 0  12 − 12 0 0 
L= H =
1  − 1 2 
0 0 1
2 2 0 0 1
2
Proses mencari koefisien a, b, c dan d seperti ini disebut dengan proses
dekomposisi. Sebagai contoh, untuk vektor x di atas didekomposisi menjadi:
6  1 1 
 4  L =  2 2 10 10 
 5  L =[1 1 ]
 
→ a 0 = [2]
 0 0 
a 2 =    
 2
2→

a 1 =     2
2
− 7   − 1
 
 
5
 
H =
 12 −1
2
0 0  H = [1 2 − 12]
 0 0 1
2
−1
2

1 
d1 =   d 0 = [3]
− 6
Nilai a,b, c dan d pada persamaan 2.4 kemudian dapat diperoleh dengan melihat
nilai aproksimasi terakhir a0 dan semua nilai-nilai detail d0,d1 dan d1 dimana
a = 1 (1 2 (x0 ÷ x1 ) ÷ 1 2(x2 ÷ x3 )) = a 0 = 2
2
b= 1
2
(1 2 (x0 ÷ x1 ) − 1 2(x2 ÷ x3 )) = d 0 = 3
c = 1 (1 2 ( x0 − x1 )) = d 1 (0 ) = 1
2
d = 1 (1 2 (x2 − x3 )) = d 1 (1) = −6
2
32
6 1  1   1  0

4       
  = 2 1 + 3 1  + 1− 1 + ( −6)  0 
− 7  1 − 1  0  1
        
5 1 − 1  0  − 1
3. Transformasi terhadap citra
Untuk citra dua dimensi, prosedur dekomposisi level tunggal terdiri dari
citra satu dimensi yang di-filter pada arah mendatar kemudian diikuti oleh citra
satu dimensi yang di-filter pada arah tegak yang diutilisasi dengan menggunakan
filter tapis rendah dan filter tapis tinggi. Proses dekomposisi transformasi wavelet
untuk citra dua dimensi dapat dijelaskan pada gambar
Lowpassi terhadap kolom

Lowpass terhadap baris
Highpass terhadap kolom
Citra
Highpass terhadap baris Lowpassi terhadap kolom
Highpass terhadap kolom
Gambar 2.7 Gambar proses dekomposisi wavelet
Pada notasi Matlab, bagian LL disebut bagian aproksimasi (A), bagian LH disebut
detail vertikal (V), bagian HL disebut detail horizontal (H), dan bagian HH
disebut detail diagonal (D) (Dina Chahyati,2003).

33
Gambar 2.8 Gambar hasil dekomposisi wavelet
4. Contoh Dekomposisi Citra Dengan Wavelet Haar
citra berukuran 8x8 dengan nilai sebagai berikut:
47 73 47 30 45 37 27 8
67 69 46 42 63 26 24 14
72 40 59 36 62 11 15 57
67 35 72 52 51 35 30 83
39 37 65 61 41 20 24 70
51 70 54 68 37 36 111 88
64 50 44 50 44 48 119 148
86 46 50 37 34 86 99 145
Langkah-langkah dekomposisi wavelet Haar terhadap potongan citra tersebut

adalah:
1. Tentukan filter dekomposisi LH, yaitu
½ ½ 0 0 0 0 0 0
½ -½ 0 0 0 0 0 0
0 0 ½ ½ 0 0 0 0
0 0 ½ -½ 0 0 0 0
0 0 0 0 ½ ½ 0 0
0 0 0 0 ½ -½ 0 0
0 0 0 0 0 0 ½ ½
0 0 0 0 0 0 ½ -½
2. Untuk setiap kolom, kalikan kolom tersebut dengan matriks dekomposisi

di atas.
Contoh untuk kolom pertama:

34
½ ½ 0 0 0 0 0 0 47 57
½ -½ 0 0 0 0 0 0 67 -10
0 0 ½ ½ 0 0 0 0 72 69
0 0 ½ -½ 0 0 0 0 * 67 = 2.5
0 0 0 0 ½ ½ 0 0 39 45
0 0 0 0 ½ -½ 0 0 51 - 6
0 0 0 0 0 0 ½ ½ 64 75
0 0 0 0 0 0 ½ -½ 86 -11
Hasil dekomposisi perbaris ini akan menghasilkan matriks D2 sbb
57.0000 71.0000 46.5000 36.0000 54.0000 31.5000 25.5000 11.0000

-10.0000 2.0000 0.5000 -6.0000 -9.0000 5.5000 1.5000 -3.0000
69.5000 37.5000 65.5000 44.0000 56.5000 23.0000 22.5000 70.0000
2.5000 2.5000 -6.5000 -8.0000 5.5000 -12.0000 -7.5000 -13.0000
45.0000 53.5000 59.5000 64.5000 39.0000 28.0000 67.5000 79.0000
-6.0000 -16.5000 5.5000 -3.5000 2.0000 -8.0000 -43.5000 -9.0000
75.0000 48.0000 47.0000 43.5000 39.0000 67.0000 109.0000 146.5000
-11.0000 2.0000 -3.0000 6.5000 5.0000 -19.0000 10.0000 1.5000
Keterangan:
- warna biru adalah hasil aproksimasi
- warna merah adalah hasil detail
3. Atur hasil pada point 3 supaya bagian aproksimasi berkumpul di bagian

atas dan bagian detail mengumpul di bagian bawah (matriks D3)
57.0000 71.0000 46.5000 36.0000 54.0000 31.5000 25.5000 11.0000

69.5000 37.5000 65.5000 44.0000 56.5000 23.0000 22.5000 70.0000
45.0000 53.5000 59.5000 64.5000 39.0000 28.0000 67.5000 79.0000
75.0000 48.0000 47.0000 43.5000 39.0000 67.0000 109.0000 146.5000
-10.0000 2.0000 0.5000 -6.0000 -9.0000 5.5000 1.5000 -3.0000
2.5000 2.5000 -6.5000 -8.0000 5.5000 -12.0000 -7.5000 -13.0000
-6.0000 -16.5000 5.5000 -3.5000 2.0000 -8.0000 -43.5000 -9.0000
-11.0000 2.0000 -3.0000 6.5000 5.0000 -19.0000 10.0000 1.5000
35
4. Setelah itu, lakukan hal yang sama dengan cara mengambil perbaris.
½ ½ 0 0 0 0 0 0 57 64
½ -½ 0 0 0 0 0 0 71 -7
0 0 ½ ½ 0 0 0 0 46.5 41.25
0 0 ½ -½ 0 0 0 0 * 36 = 5.25
0 0 0 0 ½ ½ 0 0 54 72.7
0 0 0 0 ½ -½ 0 0 31.5 11.25
0 0 0 0 0 0 ½ ½ 25.5 18.25
0 0 0 0 0 0 ½ -½ 11 7.25
Kemudian hasilnya diletakkan di matriks hasil kembali dalam bentuk baris,
sehingga hasilnya (matriks D4) akan sebagai berikut:
64.0000 -7.0000 41.2500 5.2500 42.7500 11.2500 18.2500 7.2500

53.5000 16.0000 54.7500 10.7500 39.7500 16.7500 46.2500 -23.7500
49.2500 -4.2500 62.0000 -2.5000 33.5000 5.5000 73.2500 -5.7500
61.5000 13.5000 45.2500 1.7500 53.0000 -14.0000 127.7500 -18.7500
-4.0000 -6.0000 -2.7500 3.2500 -1.7500 -7.2500 -0.7500 2.2500
2.5000 0 -7.2500 0.7500 -3.2500 8.7500 -10.2500 2.7500
-11.2500 5.2500 1.0000 4.5000 -3.0000 5.0000 -26.2500 -17.2500
-4.5000 -6.5000 1.7500 -4.7500 -7.0000 12.0000 5.7500 4.2500
5. Atur hasil pada point 4 supaya bagian aproksimasi berkumpul di bagian
kiri dan bagian detail mengumpul di bagian kanan (matriks D5)
64.0000 41.2500 42.7500 18.2500 -7.0000 5.2500 11.2500 7.2500

53.5000 54.7500 39.7500 46.2500 16.0000 10.7500 16.7500 -23.7500
49.2500 62.0000 33.5000 73.2500 -4.2500 -2.5000 5.5000 -5.7500
61.5000 45.2500 53.0000 127.7500 13.5000 1.7500 -14.0000 -18.7500
-4.0000 -2.7500 -1.7500 -0.7500 -6.0000 3.2500 -7.2500 2.2500
2.5000 -7.2500 -3.2500 -10.2500 0 0.7500 8.7500 2.7500
-11.2500 1.0000 -3.0000 -26.2500 5.2500 4.5000 5.0000 -17.2500
-4.5000 1.7500 -7.0000 5.7500 -6.5000 -4.7500 12.0000 4.2500
6. Hasilnya sebagai berikut :
64.0000 41.2500 42.7500 18.2500 -7.0000 5.2500 11.2500 7.2500

53.5000 54.7500 39.7500 46.2500 16.0000 10.7500 16.7500 -23.7500
49.2500 62.0000 33.5000 73.2500 -4.2500 -2.5000 5.5000 -5.7500
61.5000 45.2500 53.0000 127.7500 13.5000 1.7500 -14.0000 -18.7500
-4.0000 -2.7500 -1.7500 -0.7500 -6.0000 3.2500 -7.2500 2.2500
36
2.5000 -7.2500 -3.2500 -10.2500 0 0.7500 8.7500 2.7500

-11.2500 1.0000 -3.0000 -26.2500 5.2500 4.5000 5.0000 -17.2500
-4.5000 1.7500 -7.0000 5.7500 -6.5000 -4.7500 12.0000 4.2500
Keterangan:
- warna biru adalah bagian aproksimasi
- warna merah adalah bagian detail horizontal
- warna coklat adalah bagian detai vertikal
- warna hijau adalah bagian detail diagonal
7. Penentuan vektor ciri
Dari masing-masing kelompok pada poin 6 tersebut kemudian diambil rata-
ratanya.
D. Euclidean Algoritma
Dari sampel i yang akan ditentukan kategorinya, dihitung jaraknya ke masing-
masing template. Rumus jarak euclidean
d= ((x − x )
1 2
2 2
)
+ ( y1 − y 2 ) …………….(2.5)
Sampel i dimasukkan pada kategori obyek dengan harga d yang terkecil (Aniati
Murni, 1992) Gambar klasifikasi berdasarkan Euclidean ditunjukkan pada gambar
2.9
Ciri 2 Sampel i
d1
Kelas 3
d3
d2
Kelas1
Kelas 2
Ciri 1
Gambar 2.9 Diagram ruang ciri set sampel belajar. Sampel
i dimasukkan ke kategori obyek k = 3 berdasarkan metode
tetangga terdekat dengan pengukuran jarak euclidean
(Sumber : Aniati murni,1992)
37
BAB III
ANALISA DAN PERANCANGAN SISTEM
A. Analisa Sistem
Sistem yang dibuat adalah sistem untuk pengenalan pola tulisan tangan,
lebih khusus yaitu pola angka menggunakan metode statistik sederhana yaitu
euclidean algoritma dengan ekstraksi ciri wavelet.
Dalam sistem ini, gambar masukan akan dicari vektor ciri kemudian
dibandingkan dengan vektor ciri pada template. Gambar akan dikenali ke template
tertentu dengan melihat jarak euclidean yang paling minimal. Vektor ciri template
disimpan dalam tabel tbciri pada database AngkaCetak Hubungan antara sistem
pembuat basis data sebagai penyedia template dengan sistem pengenalan angka
dapat digambarkan sebagai berikut :
gambar Sistem
Developer Pembuat
gambar
Basis Data
ciri ciri
gambar Sistem
User Pengenalan
hasil_pengenalan Angka
Gambar 3.1 Gambar hubungan antara Sistem Pembuat Basis Data

dengan Sistem Pengenalan Angka
Desain Sistem Pembuat Basis Data dan desain Sistem Pengenalan Angka
dapat digambarkan dengan DFD sebagai berikut :

38
1. Desain Sistem Pembuat Basis Data
DFD Level 0
Developer memasukkan gambar angka ke dalam sistem pembuat basis
data. Dari sistem pembuat basis data memperoleh ciri . Digambarkan pada DFD
level 0 gambar 3.2
Gambar 3.2 DFD Level 0
DFD Level 1
Di dalam sistem pembuat basis data gambar angka akan diolah melalui
proses preprocessing, dan ekstraksi ciri. Hasilnya berupa vektor ciri yang akan
disimpan dalam tbciri. Digambarkan pada gambar 3.3
gambar_angka gambar_angka
gambar_normal_biner ciri
1. 2. 3.
developer ciri
input preprocessing ekstraksi_ciri
ciri
DFD Level 2
Pada proses preprocessing, gambar masukkan akan diubah menjadi
gambar biner, dan normalisasi ukuran gambar. Proses preprocessing digambarkan
pada gambar 3.4

39
gambar_angka gambar_biner gambar_normal_biner

2.1 2.2
binerisasi ubah_ukuran
2. Desain Sistem Pengenalan Angka
DFD Level 0
User memasukkan gambar angka ke sistem pengenalan angka. Dalam
sistem ini gambar angka diproses sehingga menghasilkan hasil pengenalan angka
sesuai gambar masukkan. Digambarkan pada DFD level 0 gambar 3.5
DFD Level 1
gambar_angka gambar_angka
gambar_biner_normal
1 2 3
user
Input Preprocessing Ekstraksi ciri
ciri
ciri
ciri
4
hasil_pengenalan_angka keputusan

User memasukkan gambar angka, kemudian gambar angka akan diproses
pada proses preprocessing. Hasilnya adalah gambar biner dengan ukuran yang
sudah disesuaikan yaitu 64 x 64. Hasil proses preprocessing masuk ke proses

40
ekstraksi ciri. Hasilnya berupa vektor ciri yang nantinya digunakan sebagai input
pada proses pengenalan.
DFD Level 2
Pola template yang disediakan berjumlah 50 buah. Terdiri dari pola angka
0 sampai dengan 9. Untuk ujicoba program akan dicobakan terhadap 30 pola
angka. Sistem akan memberi informasi hasil pengenalan pola masukkan sebagai
pola angka tertentu.
B. Analisa Kebutuhan Hardware dan Software
1. Analisa kebutuhan hardware
Kebutuhan hardware merupakan kebutuhan akan perangkat keras
komputer untuk mendukung sistem yang akan dibuat. Yang dibutuhkan
untuk membangun sistem ini antara lain :
1. Main board : MSI PM8M2 V
2. Procesor : Intel P4 2.66 GHz
3. Memori : RAM 256 MB
4. Hard disk : HDD 40 Gbyte
5. Monitor : LG 15’
6. Disk Drive : Samsung 52x

41
2. Analisis kebutuhan software
Analisis kebutuhan software untuk mendukung pengoperasian dan
pengembangan sistem.
1. Sistem operasi : Sistem Operasi Windows XP
2. Source Code : Matlab 6.5
3. Browser : Internet Explorer
4. Data base : SQLyog
C. Perancangan User Interface
Sistem yang dibuat terdiri dari 2 menu yaitu : File dan Informasi.
1. Menu File terdiri dari sub menu Input pola yaitu untuk memasukkan pola
angka yang ingin dikenali, Input Data Baru yaitu untuk memasukkan data
baru. Sub menu keluar untuk menutup program
2. Menu informasi untuk menampilkan informasi tentang penggunaan program.
Gambaran sistem secara umum adalah sebagai berikut :

42
mulai
Menu Pilihan
1. File
2. Informasi
Masukkan pilihan(pil)?
Menu Pilihan
1. Input Pola
2. Input Data Baru
If pil=1 ya
3.Keluar
Masukkan pilihan(x)?
tidak
If pil=2 ya informasi
If x=1 ya Input pola
tidak
Input data
tidak If x=2 ya
baru
tidak
Selesai
If x=3
Gambar 3.8 Flowchart secara umum

43
a. Form awal program dimulai
Gambar 3.9 Form Awal (Welcome)
Dalam form awal ini terdiri dari
1. 4 buah static text yang digunakan sebagai pembuat dua garis siku atas dan
bawah.
2. Satu buah axes untuk menampilkan gambar pada tulisan judul : Program
pengenalan angka.
3. Satu buah pushbutton (tombol) untuk masuk ke menu utama

44
b. Form Menu Utama
LOGO
Gambar 3.10 Form Menu Utama

Form ini terdiri dari satu buah axes yang menampilkan latar belakang menu utama
Pada form ini terdiri dari sebuah menu editor dimana terdapat menu-menu sebagai
berikut :
File Informasi
Input Pola
Input Data Baru
Keluar
Gambar 3.11 Perancangan Menu Utama

45
Gambar 3.12 Form ambil gambar
Form ini untuk mengambil pola yang akan dijadikan data baru dan juga pola yang
akan dikenali.
c. Perancangan form proses pengenalan angka
Dalam form ini semua proses pengenalan ditampilkan mulai dari tampil hasil
input , preprocessing, ekstraksi ciri, dan pengenalan angka. Pada saat form
muncul pertama kali yang ditampilkan adalah :
1. axes untuk menampilkan gambar masukkan
2. Static text dibawah axes untuk menampilkan tulisan ‘gambar asli’
3. 3 buah pushbutton (tombol) untuk proses preprocessing, pengenalan,
dan kembali ke menu utama.

46
Gambar 3.13 Perancangan Form tampilan gambar masukkan
Saat memilih tombol preprocessing maka akan muncul axes yang menampilkan
gambar hasil preprocessing. Axes ini tidak terlihat ketika user belum memilih
tombol preprocessing.
47
Gambar 3.14 Perancangan Form tampilan gambar preprocessing
Untuk memilih dan menampilkan hasil ekstraksi ciri pilih popupmenu sesuai
level. Level pilihan akan muncul pada ‘edittext’ disebelah popupmenu.

48
Gambar 3.15 Perancangan Form tampilan gambar ekstraksi ciri
Axes warna putih muncul saat memilih level 1, axes warna biru muncul pada saat
memilih level 2, axes warna abu-abu muncul pada saat memilih level 3
d. Perancangan form pengenalan angka
Form ini terdiri dari statictext sebagai keterangan ‘gambar dikenali sebagai angka’
dan edit text untuk menampilkan hasil pengenalan.
Pushbutton untuk menutup form hasil pengenalan
Gambar 3.16 Perancangan Form hasil pengenalan

49
e. Perancangan form peringatan
Ada dua form yaitu peringantan preprocessing, dan ekstraksi ciri
Gambar 3.17 Perancangan Form peringatan

f. Perancangan form konfirmasi
Ada dua form yaitu dialog keluar program dan simpan data baru
Gambar 3.18 Perancangan Form konfirmasi

g. Perancangan Form Informasi
Terdiri 1 buah axes untuk gambar background, dan static text untuk penulisan
informasi program, nama pembuat, dan dosen pembimbing
Gambar 3.19 Perancangan Form informasi

50
D. Perancangan proses
1. Input Data Baru
Cara kerja proses ini
a. Ambil gambar baru
b. Preprocessing
c. Ekstraksi ciri untuk penarikan vektor ciri
d. Simpan vektor ciri
mulai
Input
gambar
preprocessing
If
preprocessing= ya Pesan kesalahan
0
tidak
Ekstraksi ambil
vektor ciri
simpan
selesai
Gambar 3.20 Flowchart input data baru

51
2. Preprocessing
Cara kerja proses ini
a. Ambil gambar dari input
b. binerisasi citra, yaitu pengubahan citra grayscale menjadi citra
hitam putih yang bernilai 1 dan 0. angka 1 menyatakan warna
putih, dan 0 menyatakan warna hitam
c. Pengubahan ukuran citra menjadi citra dengan ukuran 64 x 64.
mulai
Ambil
gambar
angka
binerisasi
Ubah ukuran
Citra normal
biner
selesai
Gambar 3.21 Flowchart Preprocessing

52
3. Proses Ekstraksi ciri
mulai
Input
gambar
preprocessimg
If
preprocessing= ya Pesan kesalahan
0
tidak
Dekomposisi
wavelet
Hitung rata
approksimasi,horis
ontal,diagonal,verti
kal
Vektor ciri
selesai
Gambar 3.22 Flowchart proses ekstraksi ciri

53
Pada proses ini langkah-langkah yang dilakukan sehingga mendapatkan vektor
ciri :
1. Ambil gambar hasil preprocessing yaitu gambar normal biner
2. Kenai dengan dekomposisi wavelet
3. Hasil dekomposisi wavelet adalah approksimasi, detail vertikal,
horisontal,dan diagonal hitung rata-rata sehingga menjadi vektor ciri
4. Proses pengenalan angka
Dalam proses ini gambar input setelah dicari vektor cirinya akan dibandingkan
dengan vektor ciri yang ada pada template. Dengan melihat nilai paling minimum
jarak antara vektor ciri input dengan vektor ciri masing-masing template. Gambar
akan dikenali sebagai anggota template tertentu jika memiliki jarak yang paling
dekat.
54
mulai
Ambil vektor ciri

input
i=1
ya
If i<=panjangbaris
Hitung d
tidak
Cari nilai d
paling min
Tampil hasil
pengenalan
selesai
Gambar 3.23 Flowchart proses pengenalan angka

55
BAB IV
IMPLEMENTASI
A. Algoritma Program
Sistem yang dibangun terdiri dari proses masukkan data baru, proses
preprocessing, proses ekstraksi ciri, dan proses pengenalan angka. Dalam bab ini
akan diuraikan algoritma tiap proses.
1. Algoritma proses masukkan data baru
a. Ambil gambar hasil preprocessing
b. Kenai dengan filter dekomposisi wavelet
c. Untuk setiap kolom gambar hasil preprocessing kalikan dengan
matrik dekomposisi
d. Hasilnya, baris ganjil letakkan di bagian atas, baris genap di bagian
bawah. (dalam penulisan ini implementasi menggunakan toolbox
matlab sehingga sehingga secara langsung akan diatur demikian)
e. Lakukan hal yang sama dengan mengambil per baris
f. Kolom ganjil disebelah kanan kolom genap disebelah kiri
g. Untuk penarikan vektor ciri hasil dekomposisi terbagi menjadi 4
bagian. ¼ approksimasi, ¼ horisontal, ¼ vertikal, dan ¼ diagonal.
Masing-masing bagian hitung rata-rata. Hasilnya gunakan sebagai
vektor ciri.
h. Untuk level 2 dan level 3 juga dengan cara yang sama yaitu
lakukan pada operasi baris dan kolom. Hanya pada level 2

56
dekomposisi dikenakan pada hasil approksimasi level 1, dan pada
level 3 dekomposisi dikenakan pada hasil approksimasi level 2.
i. Pada penyimpanan vektor ciri, koneksikan dengan database
perintah yang digunakan :
conn=database('myodbc','root','');
ping(conn);
q. masukkan data ke tabel tempbaru
curs = exec(conn, 'select * from tempbaru');
setdbprefs('DataReturnFormat','cellarray');
curs = fetch(curs);
AA=curs.Data;
r. Simpan data hasil vektor ciri dalam variabel data1
s. Simpan variabel vektor ciri yang ada pada tabel di data2
t. Masukkan data1 pada data2 di tabel tempbaru
insert(conn, 'tempbaru', data2, data1);
2. Proses Preprocessing
a. Ambil gambar input
b. Lakukan ubah ukuran (imresize), pola masukkan diubah ke ukuran
64 x 64
ubah= imresize(citra,[64 64]);
c. Binerisasi, ubah pixel gambar menjadi 2 nilai derajat keabuan yaitu
0 dan 1
57
3. Proses ekstraksi ciri
a. Ambil gambar hasil preprocessing
b. Lakukan dekomposisi wavelet dengan operasi baris dan operasi
kolom,
c. Hasil dekomposisi bagi menjadi 4 bagian dengan ukuran ¼ citra
awal,
d. Untuk semua level langkah-langkah sama, hanya untuk level 2
citra awal yang didekomposisi adalah approksimasi level 1, dan
untuk level 3 adalah aprroksimasi level 2
4. Proses pengenalan angka
a. Ambil vektor ciri hasil dekomposisi
b. Hitung jarak vektor ciri hasil dekomposisi dengan vektor ciri yang
ada pada template, dengan euclidean pada rumus (2.5)
d. a2, b2, c2, d2 adalah ciri dari pola masukkan
f. Jarak euclidean disimpan pada variabel d
g. Cari nilai d yang paling minimum.
h. Pola masukkan akan dikenali ke template sesuai dengan nilai d
yang paling minimum.
i. Langkah-langkah yang sama untuk level 2 dan level 3
j. Jika level 2 template yang digunakan template vektor ciri level 2,
jika level 3 template yang digunakan template vektor ciri level 3

58
B. Jalannya Program
Pertama kali program dijalankan akan keluar form WELCOME, ini adalah form
awal sebelum masuk ke menu utama
Gambar 4.1 Form welcome
Pilih tombol MASUK untuk ke menu utama.
Dalam menu utama terdapat menu File dan Informasi
Untuk mengenali gambar pilih menu File Input Pola

59
Gambar 4.2 Menu Utama
Masuk ke form menu utama pilih input pola akan keluat jendela open file gambar
Gambar 4.3 Jendela Open File gambar angka

60
Pada saat tampil gambar masukkan akan muncul form waitbar sebagai tanda
program sedang memproses gambar masukan
Gambar 4.4 Form waitbar
Gambar Masukkan tampil dalam Form proses, disini semua proses pengenalan
akan dilakukan.
Gambar 4.5 Form proses pengenalan tampil gambar

61
Pilih tombol preprocessing untuk menampilkan gambar hasil preprocessing
Gambar 4.6 Hasil preprocessing

62
Pilih level wavelet pilihan pada popupmenu jika level 1 maka akan tampil
Gambar 4.7 Hasil ekstraksi level 1

63
Jika yang dipilih level 2 maka hasil ekstraksi akan tampil sebagai berikut :

64
Jika yang dipilih level 3 maka akan tampil hasil ekstraksi sebagai berikut :

65
Pilih hasil pengenalan maka akan tampil hasil pengenalan gambar yang
dimasukkan
Gambar 4.10 Hasil pengenalan
Jika user menginginkan untuk input data baru,
Pada form data baru user cukup memasukkan gambar pola baru yang ingin
dijadikan template
66
Gambar 4.11 input data baru
Gambar 4.12 Form data baru

67
Data baru juga harus melalui tahap preprocessing.
Gambar 4.13 Form data baru preprocessing
Pilih tombol simpan maka akan tersimpan dalam tabel

Gambar 4.14 Form vektor ciri
68
Ketika memilih tombol simpan akan ada konfirmasi ulang apakah benar-benar
ingin menyimpan atau tidak, jika ya maka akan langsung masuk ke tabel
Gambar 4.15 Form dialog simpan
Terdapat form peringatan jika belum melakukan tahap preprocessing dan
ekstraksi ciri pada proses pengenalan
Gambar 4.16 Form pesan kesalahan preprocessing
Gambar 4.17 Form pesan kesalahan ekstraksi ciri
Jika akan keluar dari program pilih sub menu keluar dari menu file, akan muncul
dialog untuk memastikan user benar-benar keluar dari program

69
Gambar 4.18 Form dialog keluar dari program

70
BAB V
HASIL DAN PEMBAHASAN
A. Hasil Pengujian
Pengujian dilakukan terhadap 30 sampel gambar angka. Dari masing-masing
level ekstraksi menghasilkan hasil pengenalan yang berbeda. Berikut
disajikan tabel hasil pengujian pada tiga level ekstraksi.
Tabel 5.1 Hasil pengujian
Gambar Hasil Pengujian

Level 1 Level 2 Level 3
0 0 9
0 0 8
8 8 9
1 1 1
71
1 1 1
1 1 1
2 2 2
2 2 2
2 2 5
3 0 3
3 3 0
3 8 0
72
4 4 4
8 8 4
4 8 4
5 5 7
7 7 5
7 5 5
6 6 6
73
6 6 6
6 6 6
7 2 5
7 4 3
7 8 2
8 8 8
8 8 8
8 8 0
74
6 9 6
9 9 9
9 8 9
Bagian tabel yang berwarna abu-abu adalah hasil gambar yang dikenali sebagai
obyek lain.
Dari hasil 30 kali pengujian dapat dilihat ketepatan dan kesalahan pengenalan
sebagai berikut :
Tabel 5.2 Prosentase kebenaran pengenalan
Jumlah Pengenalan Jumlah Pengenalan Keterangan Prosentase

Benar Salah Pengenalan Benar
Level 1 25 5 25/30 x 100% =83.33%
Level 2 19 11 19/30 x 100%=63.33%
Level 3 18 12 18/30 x 100%=60%
B. ANALISA HASIL
Dari hasil pengujian terlihat bahwa masukkan dengan dimensi lebih besar
memberikan unjuk kerja yang lebih baik dibandingkan dengan masukkan dengan
dimensi yang lebih kecil. Dari ketiga level masukkan untuk proses pengenalan
yang mempunyai dimensi lebih besar dibanding yang lain adalah level 1, sehingga
75
level pengenalan paling baik didapat pada level 1 dengan prosentase kebenaran
83.33%. Pada level 2 dan level 3 hasilnya masing-masing adalah 63.33% dan
60%. Hal ini karena gambar masukan pada level 2 dan level 3 mempunyai ukuran
lebih kecil, sehingga informasi yang ada pada gambar juga lebih sedikit.
76
BAB VI
KESIMPULAN DAN SARAN
A. Kesimpulan
1. Unjuk kerja pengenalan meningkat cukup signifikan untuk masukan
dengan dimensi 32 x 32 (dekomposisi level 1) yaitu sebesar 83.33%,
sedangkan masukan berdimensi 16 x 16 (dekomposisi level 2) sebesar
63,33%, dan masukkan dengan dimensi 8 x 8 (dekomposisi level 3)
sebesar 60%. Pada level 2 dan level 3 prosentase keberhasilan kecil
dikarenakan semakin kecil dimensi gambar masukan, maka informasi
yang diwakili gambar juga semakin sedikit.
2. Wavelet Haar relatif bisa dipakai untuk ekstraksi ciri pada pengenalan
gambar angka.
B. Saran
Berdasarkan hasil dari analisa tugas akhir, program masih belum
sempurna sehingga penulis memberi saran untuk pengembangan lebih lanjut
antara lain:
1. Perlu dicoba metode ekstraksi ciri yang lain sehingga didapatkan
ciri yang benar-benar mewakili suatu pola, dengan demikian dapat
meningkatkan prosentase kebenaran pengenalan pola
2. Program dapat juga dikembangkan dengan metode pengenalan
yang lain, misalnya Metode bayes, Mahalanobis distance atau juga

77
dengan jaringan syaraf tiruan, untuk mengurangi kesalahan
pengenalan.
78
DAFTAR PUSTAKA
Anonymous. Haar Transform.

http://www.math.rutgers.edu/courses/357/s06lab4.pdf , diakses Desember
2006
Chahyati, Dina. Fakultas Ilmu Komputer Universitas Indonesia Jakarta

http://www.ui.cs.ac.id , diakses November 2006
Gonzales, Rafael C, Woods, Richard E and Eddins, Steven L. Digital Image

Processing Using Matlab. New Jersey: Prentice-Hall, Inc., 2004
Murni, Aniati dan Suryana, Setiawan. Pengantar Pengolahan Citra. Jakarta : PT.
Elex Media Komputindo. 1992
Munir, Rinaldi. Pengolahan Citra Digital dengan Pendekatan Algoritmik.

Bandung: Penerbit Informatika. 2004
Minarni. Klasifikasi Sidik Jari dengan Pemrosesan Awal Transformasi Wavelet.

Fakultas Teknik Industri jurusan Teknik Elektro Institut Teknologi
Padang.2004
Wijaya, I Gede Pasek Suta dan Kanata, Bulkis. Pengenalan Citra Sidik jari
Berbasis Transformasi Wavelet dan Jaringan Syaraf Tiruan. Fakultas Teknik
Universitas Mataram.
http://mathworld.wolfram.com/EuclideanAlgorithm, diakses Februari 2007

61
LAMPIRAN A
A. Listing Program Proses Preprocessing,Ekstraksi ciri

function varargout = coba_proses(varargin)
% COBA_PROSES M-file for coba_proses.fig
% COBA_PROSES, by itself, creates a new COBA_PROSES or raises the
existing
% singleton*.
%
% H = COBA_PROSES returns the handle to a new COBA_PROSES or the handle
to
% the existing singleton*.
%
% COBA_PROSES('CALLBACK',hObject,eventData,handles,...) calls the local
% function named CALLBACK in COBA_PROSES.M with the given input
arguments.
%
% COBA_PROSES('Property','Value',...) creates a new COBA_PROSES or
raises the
% existing singleton*. Starting from the left, property value pairs
are
% applied to the GUI before coba_proses_OpeningFunction gets called.
An
% unrecognized property name or invalid value makes property
application
% stop. All inputs are passed to coba_proses_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one
% instance to run (singleton)".
%
% See also: GUIDE, GUIDATA, GUIHANDLES
% Edit the above text to modify the response to help coba_proses
% Last Modified by GUIDE v2.5 23-Mar-2007 08:28:25
% Begin initialization code - DO NOT EDIT

gui_Singleton = 1;
gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ...
'gui_OpeningFcn', @coba_proses_OpeningFcn, ...
'gui_OutputFcn', @coba_proses_OutputFcn, ...
'gui_LayoutFcn', [] , ...
'gui_Callback', []);
if nargin & isstr(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
% --- Executes just before coba_proses is made visible.

function coba_proses_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to coba_proses (see VARARGIN)
% Choose default command line output for coba_proses

handles.output = hObject;
61
62
% Update handles structure

guidata(hObject, handles);
% UIWAIT makes coba_proses wait for user response (see UIRESUME)

% uiwait(handles.figure1);
data = [1];
imwrite(uint8(data),'cek_preprocessing.bmp');
data = [0];
imwrite(uint8(data),'cek_ekstraksiciri.bmp');
imwrite(uint8(data),'cek_kesimpulan.bmp');
cek_input = imread('cek_input.bmp');
tunggu;
c=imread('gambar_awal.bmp');
imwrite(uint8(c),'gambar_awal.bmp');
cek_input = 0;
data = [1];
position = get(hObject, 'Position');
axes(handles.axes1);
imshow(c);
%set(handles.axes1,'visible','on')
%set(handles.axes2,'visible','off')
% --- Outputs from this function are returned to the command line.
function varargout = coba_proses_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% Get default command line output from handles structure

varargout{1} = handles.output;
% --- Executes on button press in pushbutton1.

function pushbutton1_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton1 (see GCBO)
citra = imread('gambar_awal.bmp');
data = [1];
data = [0];
tunggu;
ubah= imresize(citra,[64 ,64]); % untuk mengubah ukuran citra menjadi 64
x 64
[m,n]=size(ubah)
for i=1:m
for j=1:n
if ubah(i,j)<= 128
ubah1(i,j)=0;
else
ubah1(i,j)=1;
end
end
end
whos ubah
%ubah=im2bw(ubah)
imwrite(uint8(data),'cek_input.bmp');
position2 = get(hObject, 'Position');
imshow(ubah1);
imwrite(uint8(ubah1),'gambar_openfile.bmp');
62
63
set(handles.text38,'visible','on')
set(handles.axes2,'visible','on')

data=[1]
cek_preprocessing = imread('cek_preprocessing.bmp');
cek_ekstraksiciri = imread('cek_ekstraksiciri.bmp');
cek_kesimpulan = imread('cek_kesimpulan.bmp');
if( cek_preprocessing == 0 )
% %
button = questdlg('Maaf.. Anda belum melakukan Tahap
Preprocessing. Apakah Anda mau melakukannya ?',...
'Pesan Kesalahan Preprocessing Citra','Yes','No','No');
if strcmp(button,'Yes')
close;
gambar_proses;
break;
elseif strcmp(button,'No')
close;
break;
end
break;
end
if( cek_preprocessing == 1 )
if ( cek_ekstraksiciri == 0)
button = questdlg('Maaf.. Anda melewatkan tahap Ekstraksi Ciri.
Apakah Anda mau melakukannya?',...
'Pesan Kesalahan ','Yes','No','No');
close;
coba_proses;
break;
menunya;
%
break;
end
break;
end
end
end
end
%cek level wavelet
%cek level wavelet
obyek = imread('gambar_wav0.bmp');
obyek = double(mean2(obyek));
% %
obyek1 = imread('gambar_wav1.bmp');
obyek1 = double(mean2(obyek1));
% %
% %
%
%
% % % untuk mengetahui tingkatan level wavelet
63
64
if (obyek == obyek1)
wav_nilai = 1;
else if (obyek == obyek2)
wav_nilai = 2;
else if (obyek == obyek3)
wav_nilai = 3;
end
end
end
for z = 1 : 3
if (wav_nilai == 1)
level = 1;
break;
else if(wav_nilai == 2)
level = 2;
break;
else if(wav_nilai == 3)
level = 3;
break;
end
end
end
end
if (wav_nilai==1)
%kenaldata
formhasil
elseif (wav_nilai==2)
formhasilL2
elseif (wav_nilai==3)
formhasilL3
end
% --- Executes during object creation, after setting all properties.

function popupmenu1_CreateFcn(hObject, eventdata, handles)
% hObject handle to popupmenu1 (see GCBO)
% handles empty - handles not created until after all CreateFcns called
% Hint: popupmenu controls usually have a white background on Windows.

% See ISPC and COMPUTER.
if ispc
set(hObject,'BackgroundColor','white');
else
set(hObject,'BackgroundColor',get(0,'defaultUicontrolBackgroundColor'));
end
% --- Executes on selection change in popupmenu1.

function popupmenu1_Callback(hObject, eventdata, handles)
% hObject handle to popupmenu1 (see GCBO)
% Hints: contents = get(hObject,'String') returns popupmenu1 contents as

cell array
% contents{get(hObject,'Value')} returns selected item from
popupmenu1
cb_cek;
global isi
global val_lp
64
65
val_lp = get(hObject,'Value')
string_list = get(hObject,'String')
isi = string_list{val_lp}
set(handles.edit1,'string',isi)
if (isi=='Level 1')
data1 = [3];
imwrite(uint8(data1),'cek_ekstraksiciri.bmp');
c=imread('gambar_openfile.bmp');
load wbarb;
whos;
%image(c); colormap(map);colorbar;
[cA1,cH1,cV1,cD1] = dwt2(c,'db1');
A1 = upcoef2('a',cA1,'db1',1);
H1 = upcoef2('h',cH1,'db1',1);
V1 = upcoef2('v',cV1,'db1',1);
D1 = upcoef2('d',cD1,'db1',1);
colormap(map);
image(wcodemat(abs(A1),192));

image(wcodemat(abs(H1),192));

image(wcodemat(abs(V1),192));

image(wcodemat(abs(D1),192));
data = [1];
imwrite(uint8(data),'gambar_wav1.bmp');
%set(handles.popupmenu1,'enable','off')
%menuekstraksi;
elseif (isi=='Level 2')
data1 = [3];
load wbarb;
whos;
A1 = upcoef2('a',cA1,'db1',1)
H1 = upcoef2('h',cH1,'db1',1)
Xsyn = idwt2(cA1,cH1,cV1,cD1,'db1');
[C,S] = wavedec2(c,2,'db1');
cA2 = appcoef2(C,S,'db1',2);
cH2 = detcoef2('h',C,S,2);
cV2 = detcoef2('v',C,S,2);
cD2 = detcoef2('d',C,S,2);
65
66
A2 = wrcoef2('a',C,S,'db1',2);
H1 = wrcoef2('h',C,S,'db1',1);
V1 = wrcoef2('v',C,S,'db1',1);
D1 = wrcoef2('d',C,S,'db1',1);
colormap(map);
set(handles.axes3,'visible','off')
set(handles.text33,'visible','off')



data = [2];
elseif (isi=='Level 3')
data1 = [3];
load wbarb;
whos;
66
67
colormap(map);



67
68
data = [ 3 ];
end

function edit1_CreateFcn(hObject, eventdata, handles)
% hObject handle to edit1 (see GCBO)
% Hint: edit controls usually have a white background on Windows.

if ispc
else
end
function edit1_Callback(hObject, eventdata, handles)

% Hints: get(hObject,'String') returns contents of edit1 as text

% str2double(get(hObject,'String')) returns contents of edit1 as a
double

close
menunya


if ispc
else
end

68
69

double
global n
n=get(str2num(handles.edit2,'string'))

close
menunya;
B. Listing Program Tampil Hasil Pengenalan
function varargout = formhasil(varargin)

% FORMHASIL M-file for formhasil.fig
% FORMHASIL, by itself, creates a new FORMHASIL or raises the existing
% singleton*.
%
% H = FORMHASIL returns the handle to a new FORMHASIL or the handle to
%
% FORMHASIL('CALLBACK',hObject,eventData,handles,...) calls the local
% function named CALLBACK in FORMHASIL.M with the given input
arguments.
%
% FORMHASIL('Property','Value',...) creates a new FORMHASIL or raises
the
are
% applied to the GUI before formhasil_OpeningFunction gets called. An
application
% stop. All inputs are passed to formhasil_OpeningFcn via varargin.
%
%
% Edit the above text to modify the response to help formhasil

gui_Singleton = 1;
'gui_OpeningFcn', @formhasil_OpeningFcn, ...
'gui_OutputFcn', @formhasil_OutputFcn, ...
end
if nargout
else
end
69
70
% --- Executes just before formhasil is made visible.

function formhasil_OpeningFcn(hObject, eventdata, handles, varargin)
% varargin command line arguments to formhasil (see VARARGIN)
% Choose default command line output for formhasil


% UIWAIT makes formhasil wait for user response (see UIRESUME)

data=[1]
citra = imread('gambar_openfile.bmp');
ubah=citra;
[cA1,cH1,cV1,cD1] = dwt2(ubah,'db1'); %dekomposisi level 1
%membangun detail dan approksimasi dari koefisien matrik diatas
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%menampilkan dekomposisi level 1

A1 = wcodemat(abs(A1));
ciri_A1 = double(mean2(A1));
H1 = wcodemat(abs(H1));
ciri_H1 = double(mean2(H1));
V1 = wcodemat(abs(V1));
ciri_V1 = double(mean2(V1));
D1 = wcodemat(abs(D1));
ciri_D1 = double(mean2(D1));
L1=[ciri_A1 ciri_H1 ciri_V1 ciri_D1];
a2=ciri_A1;
b2=ciri_H1;
c2=ciri_V1;
d2=ciri_D1;
ping(conn);
curs_kelas = exec(conn, 'select * from tbciri');
curs_kelas = fetch(curs_kelas);
panjangbaris = rows(curs_kelas);
for i=1:panjangbaris
temp{i}=cell2mat([curs_kelas.Data(i,1) curs_kelas.Data(i,2)
curs_kelas.Data(i,3) curs_kelas.Data(i,4)]);
x{i}=cell2mat(curs_kelas.Data(i,1));
y{i}=cell2mat(curs_kelas.Data(i,2));
z{i}=cell2mat(curs_kelas.Data(i,3));
v{i}=cell2mat(curs_kelas.Data(i,4));
d{i}=abs(sqrt(((x{i}-a2)^2)+((y{i}-b2)^2)+((z{i}-c2)^2)+((v{i}-d2)^2)));
end
%hitung nilai d
h=[d{1} d{2} d{3} d{4} d{5} d{6} d{7} d{8} d{9} d{10} d{11} d{12} d{13}
d{14} d{15} d{16} d{17} d{18} d{19} d{20} d{21} d{22} d{23} d{24} d{25}
d{26} d{27} d{28} d{29} d{30} d{31} d{32} d{33} d{34} d{35} d{36} d{37}
70
71
d{38} d{39} d{40} d{41} d{42} d{43} d{44} d{45} d{46} d{47} d{48} d{49}
d{50}]
hmin=min(h)
if hmin==d{1}
disp('0')
set(handles.edit1,'string','0')
elseif hmin==d{2}
disp('0')
elseif hmin==d{3}
disp('0')
elseif hmin==d{31}
disp('0')
elseif hmin==d{32}
disp('0')
elseif hmin==d{4}
disp('1')
elseif hmin==d{5}
disp('1')
elseif hmin==d{6}
disp('1')
elseif hmin==d{33}
disp('1')
elseif hmin==d{34}
disp('1')
elseif hmin==d{7}
disp('2')
elseif hmin==d{8}
disp('2')
elseif hmin==d{9}
disp('2')
elseif hmin==d{35}
disp('2')
elseif hmin==d{36}
disp('2')
elseif hmin==d{10}
disp('3')
elseif hmin==d{11}
disp('3')
elseif hmin==d{12}
disp('3')
elseif hmin==d{37}
disp('3')
elseif hmin==d{38}
disp('3')
elseif hmin==d{13}
disp('4')
elseif hmin==d{14}
71
72
disp('4')
elseif hmin==d{15}
disp('4')
elseif hmin==d{39}
disp('4')
elseif hmin==d{40}
disp('4')
elseif hmin==d{16}
disp('5')
elseif hmin==d{17}
disp('5')
elseif hmin==d{18}
disp('5')
elseif hmin==d{41}
disp('5')
elseif hmin==d{42}
disp('5')
elseif hmin==d{19}
disp('6')
elseif hmin==d{20}
disp('6')
elseif hmin==d{21}
disp('6')
elseif hmin==d{43}
disp('6')
elseif hmin==d{44}
disp('6')
elseif hmin==d{22}
disp('7')
elseif hmin==d{23}
disp('7')
elseif hmin==d{24}
disp('7')
elseif hmin==d{45}
disp('7')
elseif hmin==d{46}
disp('7')
elseif hmin==d{25}
disp('8')
elseif hmin==d{26}
disp('8')
elseif hmin==d{27}
disp('8')
elseif hmin==d{47}
disp('8')
elseif hmin==d{48}
72
73
disp('8')
elseif hmin==d{28}
disp('9')
elseif hmin==d{29}
disp('9')
elseif hmin==d{30}
disp('9')
elseif hmin==d{49}
disp('9')
elseif hmin==d{50}
disp('9')
end
function varargout = formhasil_OutputFcn(hObject, eventdata, handles)



if ispc
else
end


double

Close
Level 2
73
74

% singleton*.
%
%
arguments.
%
the
are
application
%
%

gui_Singleton = 1;
end
if nargout
else
end




data=[1]
74
75
ubah=citra;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%dekomposisi level 2
[C,S] = wavedec2(ubah,2,'db1');
%ekstraksi koefisien approksimasi level 2
%ekstraksi keofisien detail level 1 dan level 2
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%Ciri Level 2%%%%%%%%%%%%%%%
A2 = wcodemat(abs(cA2));
ciri_A2 = double(mean2(cA2));
H2 = wcodemat(abs(cH2));
ciri_H2 = double(mean2(cH2));
V2 = wcodemat(abs(cV2));
ciri_V2 = double(mean2(cV2));
D2 = wcodemat(abs(cD2));
ciri_D2 = double(mean2(cD2));
L1=[ciri_A2 ciri_H2 ciri_V2 ciri_D2]
x2=ciri_A2;
y2=ciri_H2;
z2=ciri_V2;
v2=ciri_D2;
ping(conn);
d{i}=abs(sqrt(((x{i}-x2)^2)+((y{i}-y2)^2)+((z{i}-z2)^2)+((v{i}-v2)^2)));
end
%hitung nilai d
h=[d{1} d{2} d{3} d{4} d{5} d{6} d{7} d{8} d{9} d{10} d{11} d{12} d{13}
d{14} d{15} d{16} d{17} d{18} d{19} d{20} d{21} d{22} d{23} d{24} d{25}
d{26} d{27} d{28} d{29} d{30} d{31} d{32} d{33} d{34} d{35} d{36} d{37}
d{38} d{39} d{40} d{41} d{42} d{43} d{44} d{45} d{46} d{47} d{48} d{49}
d{50}]
hmin=min(h)
if hmin==d{1}
disp('0')
elseif hmin==d{2}
75
76
disp('0')
elseif hmin==d{3}
disp('0')
elseif hmin==d{31}
disp('0')
elseif hmin==d{32}
disp('0')
elseif hmin==d{4}
disp('1')
elseif hmin==d{5}
disp('1')
elseif hmin==d{6}
disp('1')
elseif hmin==d{33}
disp('1')
elseif hmin==d{34}
disp('1')
elseif hmin==d{7}
disp('2')
elseif hmin==d{8}
disp('2')
elseif hmin==d{9}
disp('2')
elseif hmin==d{35}
disp('2')
elseif hmin==d{36}
disp('2')
elseif hmin==d{10}
disp('3')
elseif hmin==d{11}
disp('3')
elseif hmin==d{12}
disp('3')
elseif hmin==d{37}
disp('3')
elseif hmin==d{38}
disp('3')
elseif hmin==d{13}
disp('4')
elseif hmin==d{14}
disp('4')
elseif hmin==d{15}
disp('4')
elseif hmin==d{39}
disp('4')
76
77
elseif hmin==d{40}
disp('4')
elseif hmin==d{16}
disp('5')
elseif hmin==d{17}
disp('5')
elseif hmin==d{18}
disp('5')
elseif hmin==d{41}
disp('5')
elseif hmin==d{42}
disp('5')
elseif hmin==d{19}
disp('6')
elseif hmin==d{20}
disp('6')
elseif hmin==d{21}
disp('6')
elseif hmin==d{43}
disp('6')
elseif hmin==d{44}
disp('6')
elseif hmin==d{22}
disp('7')
elseif hmin==d{23}
disp('7')
elseif hmin==d{24}
disp('7')
elseif hmin==d{45}
disp('7')
elseif hmin==d{46}
disp('7')
elseif hmin==d{25}
disp('8')
elseif hmin==d{26}
disp('8')
elseif hmin==d{27}
disp('8')
elseif hmin==d{47}
disp('8')
elseif hmin==d{48}
disp('8')
elseif hmin==d{28}
disp('9')
elseif hmin==d{29}
disp('9')
77
78
elseif hmin==d{30}
disp('9')
elseif hmin==d{49}
disp('9')
elseif hmin==d{50}
disp('9')
end



if ispc
else
end


double

Close
Level 3
% singleton*.
%
%
arguments.
%
78
79

the
are
application
%
%

gui_Singleton = 1;
end
if nargout
else
end




data=[3]
ubah=citra;
79
80
% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%
% %dekomposisi level 2
% % %%%%%%%%%%level 3%%%%%%%%%%%%%%%%%%%%%%%
% % %ekstraksi koefisien approksimasi level 3
% %ekstraksi keofisien detail level 1 dan level 2 dan 3
% % %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% % %%%%%%Ciri Level 3%%%%%%%%%%%%%%%

x2=ciri_A3;
y2=ciri_H3;
z2=ciri_V3;
v2=ciri_D3;
ping(conn);
d{i}=abs(sqrt(((x{i}-x2)^2)+((y{i}-y2)^2)+((z{i}-z2)^2)+((v{i}-v2)^2)));
end
%hitung nilai d
h=[d{1} d{2} d{3} d{4} d{5} d{6} d{7} d{8} d{9} d{10} d{11} d{12} d{13}
d{14} d{15} d{16} d{17} d{18} d{19} d{20} d{21} d{22} d{23} d{24} d{25}
d{26} d{27} d{28} d{29} d{30} d{31} d{32} d{33} d{34} d{35} d{36} d{37}
d{38} d{39} d{40} d{41} d{42} d{43} d{44} d{45} d{46} d{47} d{48} d{49}
d{50}]
hmin=min(h)
80
81
if hmin==d{1}
disp('0')
elseif hmin==d{2}
disp('0')
elseif hmin==d{3}
disp('0')
elseif hmin==d{31}
disp('0')
elseif hmin==d{32}
disp('0')
elseif hmin==d{4}
disp('1')
elseif hmin==d{5}
disp('1')
elseif hmin==d{6}
disp('1')
elseif hmin==d{33}
disp('1')
elseif hmin==d{34}
disp('1')
elseif hmin==d{7}
disp('2')
elseif hmin==d{8}
disp('2')
elseif hmin==d{9}
disp('2')
elseif hmin==d{35}
disp('2')
elseif hmin==d{36}
disp('2')
elseif hmin==d{10}
disp('3')
elseif hmin==d{11}
disp('3')
elseif hmin==d{12}
disp('3')
elseif hmin==d{37}
disp('3')
elseif hmin==d{38}
disp('3')
elseif hmin==d{13}
disp('4')
elseif hmin==d{14}
disp('4')
elseif hmin==d{15}
81
82
disp('4')
elseif hmin==d{39}
disp('4')
elseif hmin==d{40}
disp('4')
elseif hmin==d{16}
disp('5')
elseif hmin==d{17}
disp('5')
elseif hmin==d{18}
disp('5')
elseif hmin==d{41}
disp('5')
elseif hmin==d{42}
disp('5')
elseif hmin==d{19}
disp('6')
elseif hmin==d{20}
disp('6')
elseif hmin==d{21}
disp('6')
elseif hmin==d{43}
disp('6')
elseif hmin==d{44}
disp('6')
elseif hmin==d{22}
disp('7')
elseif hmin==d{23}
disp('7')
elseif hmin==d{24}
disp('7')
elseif hmin==d{45}
disp('7')
elseif hmin==d{46}
disp('7')
elseif hmin==d{25}
disp('8')
elseif hmin==d{26}
disp('8')
elseif hmin==d{27}
disp('8')
elseif hmin==d{47}
disp('8')
elseif hmin==d{48}
disp('8')
elseif hmin==d{28}
82
83
disp('9')
elseif hmin==d{29}
disp('9')
elseif hmin==d{30}
disp('9')
elseif hmin==d{49}
disp('9')
elseif hmin==d{50}
disp('9')
end



if ispc
else
end


double

close
C. Listing Program Tambah Template Baru

function varargout = newtemplate(varargin)
% NEWTEMPLATE M-file for newtemplate.fig
% NEWTEMPLATE, by itself, creates a new NEWTEMPLATE or raises the
existing
83
84
% singleton*.
%
% H = NEWTEMPLATE returns the handle to a new NEWTEMPLATE or the handle
to
%
% NEWTEMPLATE('CALLBACK',hObject,eventData,handles,...) calls the local
% function named CALLBACK in NEWTEMPLATE.M with the given input
arguments.
%
% NEWTEMPLATE('Property','Value',...) creates a new NEWTEMPLATE or
raises the
are
% applied to the GUI before newtemplate_OpeningFunction gets called.
An
application
% stop. All inputs are passed to newtemplate_OpeningFcn via varargin.
%
%
% Edit the above text to modify the response to help newtemplate

gui_Singleton = 1;
'gui_OpeningFcn', @newtemplate_OpeningFcn, ...
'gui_OutputFcn', @newtemplate_OutputFcn, ...
end
if nargout
else
end
% --- Executes just before newtemplate is made visible.

function newtemplate_OpeningFcn(hObject, eventdata, handles, varargin)
% varargin command line arguments to newtemplate (see VARARGIN)
% Choose default command line output for newtemplate


% UIWAIT makes newtemplate wait for user response (see UIRESUME)

data = [1];
data = [0];
84
85
tunggu;
c=imread('gambar_awal.bmp');
imwrite(uint8(c),'gambar_awal.bmp');
cek_input = 0;
data = [1];
position = get(hObject, 'Position');
imshow(c);
function varargout = newtemplate_OutputFcn(hObject, eventdata, handles)



citra = imread('gambar_awal.bmp');
data = [1];
data = [0];
tunggu;
ubah= imresize(citra,[64 64]); % untuk mengubah ukuran citra menjadi 64 x
64
ubah=im2bw(ubah)
imwrite(uint8(data),'cek_input.bmp');
imshow(ubah);
imwrite(uint8(ubah),'gambar_openfile.bmp');


if ispc
else
end
85
86


double


if ispc
else
end


double


if ispc
else
end


double

86
87

if ispc
else
end


double


if ispc
else
end


double


if ispc
else
end

87
88

double


if ispc
else
end


double


if ispc
else
end


double


if ispc
else
88
89
end


double


if ispc
else
end


double


if ispc
else
end


double
89
90


if ispc
else
end


double

global ciri_A1
global ciri_H1
global ciri_V1
global ciri_D1
global ciri_A2
global ciri_H2
global ciri_V2
global ciri_D2
global ciri_A3
global ciri_H3
global ciri_V3
global ciri_D3
data=[1]
ubah=citra;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%menampilkan dekomposisi level 1

A1 = wcodemat(abs(A1));
ciri_A1 = double(mean2(A1));
H1 = wcodemat(abs(H1));
ciri_H1 = double(mean2(H1));
V1 = wcodemat(abs(V1));
ciri_V1 = double(mean2(V1));
D1 = wcodemat(abs(D1));
90
91
ciri_D1 = double(mean2(D1));
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%level 3
%ekstraksi keofisien detail level 1 dan level 2 dan 3
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%Ciri Level 3%%%%%%%%%%%%%%%
set(handles.edit1,'string',(ciri_A1))
set(handles.edit1,'visible','on')
set(handles.edit2,'string',(ciri_H1))
set(handles.edit3,'string',(ciri_V1))
set(handles.edit4,'string',(ciri_D1))
91
92

global ciri_A1
global ciri_H1
global ciri_V1
global ciri_D1
global ciri_A2
global ciri_H2
global ciri_V2
global ciri_D2
global ciri_A3
global ciri_H3
global ciri_V3
global ciri_D3
button = questdlg('Anda Akan Menyimpan ?',...
'Message Box','Yes','No','No');
h = waitbar(0,'Sedang Menyimpan ...');
for i=1:1000
waitbar(i/100)
end
ping(conn);
%masukkan data ke database ESTI tabel
curs = exec(conn, 'select * from tempbaru');
setdbprefs('DataReturnFormat','cellarray');
curs = fetch(curs);
AA=curs.Data;
data1 =
{ciri_A1,ciri_H1,ciri_V1,ciri_D1,ciri_A2,ciri_H2,ciri_V2,ciri_D2,ciri_A3,cir
i_H3,ciri_V3,ciri_D3};
data2 = {'app1', 'hor1','ver1','det1','app2', 'hor2','ver2','det2','app3',
'hor3','ver3','det3'};
insert(conn, 'tempbaru', data2, data1);
commit(conn);
cursor = exec(conn,'commit');
close (curs);
close (conn);
close(h)
end
92
93

close;
menunya
93
93
LAMPIRAN B
User Guide
• Sebelum menjalankan program ini, pastikan matlab 6.5 sudah terinstall dengan
sukses,
• SQL Yog sudah terinstall dengan baik,
• MyODBC-3.51.06 sudah terinstall dengan baik,
• Koneksikan matlab dengan database penyimpanan tabel ciri template.
Langkah-langkah sebagai berikut :
• Control Panel Administrative Tools Data Source (ODBC)myodbc
configureisikan database name : AngkaCetak Test Data Source OK
Pada program ini terdapat menu-menu untuk menjalankan proses pengenalan
A. Menu File
1. Input Pola
Pada sub menu ini user memilih pola angka yang ingin dikenali,
Pola hasil pilihan akan tampil pada form Proses Pengenalan. Di dalam
form ini semua tahapan proses pengenalan dilakukan. User harus
mengikuti semua tahapan proses sesuai urutan gambar tanda panah pada
form. Urutan pertama adalah tahapan preprocessing, tahapan kedua,
gambar hasil preprocessing akan diekstraksi. Pada pilihan level ekstraksi,
user memilih level pada popupmenu, maka hasil pilihan akan tampil pada
edit text disamping popupmenu. Setelah ekstraksi ciri user dapat
melakukan proses pengenalan angka dengan memilih push button (tombol)
Pengenalan Angka. Tahapan preprocessing, dan ekstraksi ciri tidak boleh
dilewatkan. Jika sampai terlewat maka akan muncul peringatan.

94
2. Input Data Baru
Pada sub menu ini user dapat memasukkan gambar baru sebagai template.
Gambar baru dicari vektor cirinya kemudian vektor cirinya akan disimpan
atau tidak. Mencari vektor ciri dengan memilih tombol Penarikan Vektor
Ciri. Tombol simpan adalah pilihan untk menyimpan vektor ciri jika tidak
ingin menyimpan bisa langsung memilih tombol keluar
3. Keluar
Sub menu ini untuk keluar dari program
B. Menu Informasi
Berisi software yang dipakai dalam pembuatan program dan tentang pembuat
95
LAMPIRAN C
Template
96
Contoh Hasil Running
Dari masuk ke menu memilih gambar angka untuk dikenali tambah template
baru lihat informasi keluar

97
98
99
100
101

Full PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Full PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

PENGENALAN POLA ANGKA DENGAN WAVELET HAAR

Diajukan untuk Memenuhi Salah Satu Syarat

PRODI ILMU KOMPUTER JURUSAN MATEMATIKA

PENGENALAN POLA ANGKA DENGAN WAVELET HAAR

Telah disetujui oleh:

A. Rita Widiarti, S.Si, M.Kom Tanggal………………………...

PENGENALAN POLA ANGKA DENGAN WAVELET HAAR

Dipersiapkan dan ditulis oleh

PERNYATAAN KEASLIAN KARYA

kutipan dan daftar pustaka, sebagaimana layaknya karya ilmiah.

Kesuksesan adalah kebanggaan, dan proses dibalik semua

Allah turut bekerja dalam segala sesuatu untuk

Tugas akhir ini kupersembahkan untuk :

TUHAN YESUS, BUNDA MARIA

Bapak Nararyohadi &Ibu Dwi Purwaningsih

Adikku Adi dan Tyas

Usaha untuk menghasilkan alat yang dapat meniru kemampuan manusia

semua pihak maka skripsi ini dapat diselesaikan.

Dharma Yogyakarta, penulis mengucapkan terima kasih yang sebesar - besarnya

Universitas Sanata Dharma.

pemikiran dalam membimbing, ide, tenaga dalam menyelesaikan skripsi ini,

serta kesabaran dan sarana yang sangat penulis perlukan untuk

menyelesaikan tugas akhir ini dari awal hingga selesai.

Sanata Dharma yang telah memberikan dukungan dalam penyelesaian

5. Adikku Adi dan Tyas, makasih buat dukungan dan hiburannya ☺

6. Agustinus Adi Santoso, makasih buat doa, dukungan dan kesabaran

menemani menyelesaikan tugas akhir ini.

8. Bpk/Ibu Joko Pamungkas, dan teman-teman wisma Rosari yang telah

bersedia menjadi pengisi template angka (Dinta+Yoyo, Nine+Presto, Devi,

e, Sri ), dan seluruh penghuni Rosari!!!!!

9. Galuh, Titis dan Keluarga Besar Papringan.

Penulis menyadari bahwa dalam penulisan tugas akhir ini masih

penulis dengan kerendahan hati mengharapkan kritik dan saran yang

membangun untuk penyempurnaan tugas akhir ini.

Yogyakarta, April 2007

3. Transformasi Terhadap Citra…………………………………… 17

Tabel 2.1 Tabel Pola dan Cirinya………………………… 5

Tabel 2.2 Analogi pendekatan statistika dan sintatik……………………… 10

Tabel 2.3 Scalling, Mother Wavelet, Mother Wavelet Dilasi, Mother

Wavelet Dilasi digeser.................................................................. 14

Tabel 5.1 Hasil Pengujian………………………………………………… 55

Tabel 5.2 Prosentase Kebenaran Pengenalan……………………………. 59

2.4 Diagram Pendekatan Sintaktik……………………………………… 10

2.5Vektor h0, h1, h2, h3 dalam Bentuk Sinyal……………………………… 13

2.6 Algortima Pyramida Mallat…………………………………………….. 15

2.7 Proses Dekomposisi wavelet…………………………………………….. 17

2.8 Hasil Dekomposisi wavelet …………………………………… 18

2.9 Diagram Ruang ciri set sample belajar. Sampel i

dimasukkan ke kategori k=3 berdasarkan

metode tetangga terdekat dengan pengukuran jarak educlidean…..... 21

3.1 Hubungan antara sistem pembuat basis data dengan sistem

3.2 DFD level 0……………………………………………………………. 23

3.3 DFD level 1 ……………………………………………………………. 23

3.5 DFD level 0………………………………………………………… 24

3.6 DFD level 1……………………………………………………………… 24

3.7 DFD level 2……………………………………………………………… 25

3.8 Flowchart umum………………………………………………………… 27

3.9 Form awal……………………………………………………………….. 28

3.10 Form menu utama……………………………………………………… 29

3.11 Form perancangan struktur menu utama……………………………….. 29

3.12 Form ambil gambar………………………………………………………. 30

3.13 Form tampilan gambar masukan……………………………………… 31