APLIKASI KALKULATOR TULISAN TANGAN SEDERHANA

MENGGUNAKAN OPTICAL CHARACTER RECOGNITION

(OCR)
SAMPUL LUAR

SKRIPSI

OLEH :

HASRUL ASWAD
NIM : 16010252

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK UNIVERSITAS NURUL JADID
PAITON PROBOLINGGO
2020
APLIKASI KALKULATOR TULISAN TANGAN SEDERHANA
MENGGUNAKAN OPTICAL CHARACTER RECOGNITION
(OCR)
SAMPUL DALAM

SKRIPSI
Diajukan untuk Memenuhi Persyaratan Menyelesaikan Studi Strata Satu (S-1) dan
Memperoleh Gelar Sarjana S.Kom

OLEH :

HASRUL ASWAD
NIM : 16010252

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK UNIVERSITAS NURUL JADID
PAITON PROBOLINGGO
TAHUN 2020

ii
 UNTVERSITAS hTT}RT]L JADID

PENGESAIIAN STATUS SKRIPSI

JUDTJL : APLIKASI KALIOLATOR TULISAI\I TANGAN

,SEDERIIANA MENGGT]NAKAN OPTICAL CHARACTER
RECOGNTTTON (OCR)

SAYA : HASRIIL ASWAI)

Mengijinkan Skripsi Shata Satu Komputer ini disimpan di Perpustakaan Universitas
Nurul Jadid dengan syamt+yarat sebagai berikut:
1. Skripsi adalah hak milik Universitas Nurul Jadid.
2. Perpustakaan Universitas Nurul Jadid dibenarkan membuat salinan untuk tujuan
referensi saja.
3. Perpustakaan juga dibenarkan membuat salinan Skripsi ini sebagai bahan pertukaran
antar institusi pendidikan tinggr.
4. Berikan tanda { sesuai dengan kategori Skripsi.

T Sangat Rahasia (Mengandung isi tentang keselamatan atau kepentingan

Negara Republik Indonesia)

n Rahasia (Mengandung isi tentang kerahasiaan dari suatu

organisasi/badan tempat penelitian Skripsi ini dikerjakan)

d Biasa

Disahkan oleh,

4,,,-
IIASRTIL ASW AD"
W,/
MAULDIANSYAI{, ll{.Kom
Alamat Tetap Mahasiswa:

Desa/I(el. Durian Kec. Medan Timur

Kota Medan Surnatera Utara

Tanggal: 21 Oktober 2020 Tanggal: 2l Oktober 2020

ilt
 IIALAMAN PERSETUJUAIT

SKRIPSI
APLIKASI KALKT'LATOR TI]LISAI\I TANGAIY SEDERHANA
MENGGT}NAKAI{ OPTTCAL CHARACTER RECOGNITION (OCR)

HASRI}LAS,WAI)

Dipertaharkan di depan pengdi

Pada Tanggal : I 1 Agustus 2020
Dan dinyatakm memenuhi syarat

Komisi Pembimbing

MAULIDIANSY

Tim Penguji"

Penguji II
ilr
MOII. AINOL YAOIN. lfl,Kom

Paiton, 21 Oktober 2020

Fakultas Teknik Universitas Nurul Jadid

tv
 IIALAMAN PENGESAHAN

APLIKASI KALKT]LATOR TIILISA}{ TAFTGA}I SEI}ERHANA

MENGGT]NAKAI\T OPITCAL CHARACTER RECOGAIITION {OCR]I

SKRIPSil

Telah dipertahankan r{iharlapan Dewan Penguji S}ripsi Program Studi Teknik

Informatika Fakultas TeknikUniversitas Nurul Jadid Probolinggo dan diterima untuk
memenuhi salah satu syarat mernperoleh gelar Smjana Komputer (S.Kom) pada :

Hari : Sslas4 1l Agustus 2020

Ilisusun Oleh :

HASRI'L ASWAI)
1601w52

DewanPenguji SKRIPSI

NamaPenguji I Abu Tholib, M.Kom

NIDN 07010985{H

NamaPenguji tI Moh. Ainol Yaqin, M.Kom

NIDN 0748,28702

Ketua Sidang Maulidiansyah, llfl.Kom

NIDN 0723A79rc1

Pembimbing I)

,v
 PERNYATAA}I
ORISINALITAS SKRIPSI

Saya yang bertanda tangan.dibawah ini :

Nama : EASRI]L ASWAI)

NIM :16010252
Judul Skripsi : .APLIKASI KALKULATOR TULISAI{ TA}IGAN
SEI}ERHANA MENGGUNAKAI\T OPTICAL
c IaRACTE R nE C OGNI TI ON (O CR)"

Menyatakan dengan sebenamya bahwa penulisan Skripsi ini berdasarkan hasil

penelitian, pemikiran dan lrcmaparan asli saya sendiri,.hik unfuk naskah laporan
mauprm kegiatan progromming yatg tercantum sebagai baglan dmi skripsi ini,
jika terdapat karya orang lair, saya akan mencantumkan sumber literasi yang jelas.

Demikian pernyataan ini saya buat dengan dan apabila

dikemudian hari terdapat dan ketidak benaran delam pernyataan
ini, maka saya bersedia menerima sanksi akademik berupa pencabutan gelar yang
telah diperoleh karena karya tulis ini dan sanksi lain sesuai dengan peraturan yang
berlaku di Universitas Nurul Jadid.

Demikian surat pernyataan ini saya buat dalam keadaan sadar tanpa paksaan dari
pihakmanapun.

Paitorq 02 Agustus 2020

IIASRT'L ASWAI}
IYIM 160102s2

UI
 ABSTRAK

APLIKASI KALKULATOR TULISAN TANGAN SEDERHANA

MENGGUNAKAN OPTICAL CHARACTER RECOGNITION (OCR)

Hasrul Aswad, Maulidiansyah, M.Kom., Supriadi, M.Kom.

aswadhasrul@gmail.com, maulid@unuja.ac.id, supriadiadefa85@gmail.com

Kalkulator adalah alat hitung yang banyak digunakan dalam berbagai bidang
khususnya bisnis dan perdagangan. Penggunaan kalkulator memudahkan
manusia dalam melakukan operasi hitung, tetapi terdapat kendala dalam proses
penginputan angka jika ingin menghitung nilai dari angka-angka pada media
tulis seperti kertas, papan tulis dan sebagainya. Pengguna harus terlebih dahulu
melihat teks pada media tulis, kemudian membacanya dan mengingatnya lalu
mengetik tulisan tersebut pada alat atau aplikasi kalkulator. Kekurangan dari
cara ini adalah ketika pengguna lupa dengan tulisan pada media tulis, maka
pengguna akan melihat teks tulisan nya dan mengingatnya lagi sehingga
membutuhkan waktu yang lebih lama dalam melakukan perhitungan
menggunakan kalkulator. Metode yang digunakan pada penelitian ini adalah
Optical Character Recognition, metode ini dapat mengenali teks yang terdapat
pada gambar atau citra tulisan tangan operasi bilangan matematika. Hasil dari
pengenalan teks tersebut kemudian akan dilakukan perhitungan aritmatika untuk
mendapatkan hasil hitung nya. Dari uji coba terhadap 20 citra tulisan tangan
operasi bilangan matematika, diperoleh hasil akurasi ekstraksi teks sebesar 85%
dan akurasi citra tulisan tangan yang dapat dihitung dan benar sebesar 85%.

Kata Kunci : Image Processing, Optical Character Recognition (OCR), Handwritten

Recognition.

vii
 KATA PENGANTAR

Puji syukur kehadirat Allah SWT, karena atas rahmat dan hidayah-Nya
sehingga penulis dapat menyelesaikan laporan skripsi ini. Tak lupa pula penulis
mengirimkan salawat serta salam kepada junjungan nabi besar Muhammad SAW.
Laporan skripsi ini merupakan salah satu syarat kelulusan bagi penulis pada
Program studi Informatika di Universitas Nurul Jadid. Adapun judul dari laporan
skripsi penulis adalah “Aplikasi Kalkulator Tulisan Tangan Sederhana
Menggunakan Optical Character Recognition (OCR)”.

Dalam kesempatan ini penulis mengucapkan terima kasih kepada semua

pihak yang telah membantu, membimbing, serta memberikan dukungan baik
secara moral, materiil, maupun spiritual untuk kelancaran pengerjaan laporan
skripsi ini. Penulis juga bermaksud menyampaikan rasa terima kasih kepada:

1. KH. Moh. Zuhri Zaini, BA selaku pengasuh pondok pesantren Nurul Jadid
sekaligus sang motivator.
2. KH. Abdul Hamid Wahid, M.Ag selaku Rektor Universitas Nurul Jadid.
3. Bapak Gulpi Qorik Oktagalu P. S.Pd., M.Kom selaku ketua Program Studi
Informatika.
4. Bapak Maulidiansyah, M.Kom dan Bapak Supriadi, M.Kom selaku
pembimbing yang telah memberikan arahan dalam penyelesaian laporan
skripsi.
5. Kepada kedua orang tua yang selalu mendukung, memberikan doa, dan
semangat.
6. Kepada keluarga serta sahabat yang telah memberikan dukungan yang besar.

Penulis berharap dengan disusunnya laporan skripsi ini dapat memberikan

sumbangsih pengetahuan dan manfaat yang baik serta dapat pembelajaran yang
baru untuk memperbaiki laporan ini. Penulis menyadari bahwa laporan ini masih
memiliki banyak kekurangan.

Paiton, 02 Agustus 2020

Penulis

viii
 DAFTAR ISI

Halaman
HALAMAN SAMPUL ...................................................................................... i
HALAMAN JUDUL ......................................................................................... ii
PENGESAHAN STATUS SKRIPSI ............................................................... iii
PERSETUJUAN SKRIPSI............................................................................... iv
PENGESAHAN SKRIPSI ................................................................................ v
PERNYATAAN ORISINALITAS................................................................... vi
ABSTRAK ........................................................................................................ vii
KATA PENGANTAR ....................................................................................... viii
DAFTAR ISI ...................................................................................................... ix
DAFTAR TABEL ............................................................................................ xi
DAFTAR GAMBAR ........................................................................................ xii
DAFTAR LAMPIRAN .................................................................................... xiii
BAB I PENDAHULUAN .................................................................................. 1
1.1. Latar Belakang ........................................................................................ 1
1.2. Rumusan Masalah ................................................................................... 2
1.3. Tujuan Penelitian ..................................................................................... 2
1.4. Manfaat Penelitian ................................................................................... 2
1.5. Batasan Masalah ...................................................................................... 3
BAB II KAJIAN PUSTAKA ............................................................................ 4
2.1. Penelitian Terkait .................................................................................... 4
2.2. Landasan Teori ........................................................................................ 8
2.2.1. Operasi Aritmatika ............................................................................. 8
2.2.2. Citra Digital ....................................................................................... 9
2.2.3. Thresholding ...................................................................................... 11
2.2.4. Histogram Proyeksi ............................................................................ 11
2.2.5. OpenCV ............................................................................................. 12
2.2.6. OCR (Optical Character Recognition) .............................................. 12
2.2.7. Tesseract OCR ................................................................................... 12

ix
BAB III METODE PENELITIAN .................................................................. 14
3.1. Kerangka Penelitian ................................................................................ 14
3.2. Model Pengembangan ............................................................................. 15
3.2.1. Pengumpulan Dataset......................................................................... 15
3.2.2. Pre-processing.................................................................................... 15
3.2.3. Implementasi Metode Histogram Proyeksi ........................................ 17
3.2.4. Implementasi Optical Character Recognition ................................... 18
3.2.5. Implementasi Perhitungan Aritmatika................................................ 20
3.2.6. Uji Coba ............................................................................................. 21
3.2.7. Kesimpulan ......................................................................................... 21
BAB IV HASIL DAN PEMBAHASAN ........................................................... 22
4.1. Penyajian Data Uji Coba ......................................................................... 22
4.2. Hasil Analisis .......................................................................................... 23
4.2.1. Pre-Processing Citra .......................................................................... 23
4.2.2. Segmentasi Citra Menggunakan Proyeksi Histogram ........................ 24
4.2.3. Implementasi Optical Character Recognition (OCR)........................ 24
4.2.4. Perhitungan Aritmatika ...................................................................... 25
4.3.Hasil Uji Coba .......................................................................................... 26
BAB V PENUTUP ............................................................................................. 32
5.1. Kesimpulan .............................................................................................. 32
5.2. Saran ........................................................................................................ 32
DAFTAR PUSTAKA ........................................................................................ 33
LAMPIRAN-LAMPIRAN

x
 DAFTAR TABEL

Halaman
Tabel 2.1 Tabel Perbandingan Penelitian.......................................................... 6
Tabel 4.1 Contoh Dataset ................................................................................. 22
Tabel 4.2 Hasil Ekstraksi Teks Citra Tulisan Tangan Operasi Bilangan
Matematika.......................................................................................................... 26
Tabel 4.3 Hasil Uji Coba Perhitungan Aritmatika ............................................ 29

xi
 DAFTAR GAMBAR

Halaman
Gambar 2.1. Citra Biner ......................................................................................... 9
Gambar 2.2. Citra Grayscale ............................................................................... 10
Gambar 2.3. Citra Berwarna ................................................................................ 10
Gambar 2.4. Histogram Proyeksi Horizontal dan Vertikal .................................. 11
Gambar 2.5. Tahapan Proses Tesseract OCR ...................................................... 13
Gambar 3.1. Kerangka penelitian......................................................................... 14
Gambar 3.2. Citra Tulisan Tangan Operasi Bilangan Matematika ...................... 15
Gambar 3.3. Matrik Citra RGB 3x3 ..................................................................... 16
Gambar 3.4. Matrik Citra Grayscale 3x3............................................................. 16
Gambar 3.5. Matrik Biner 3x3 ............................................................................. 17
Gambar 3.6. Proses Histogram Proyeksi ............................................................. 18
Gambar 3.7. Citra Teks Tulisan ........................................................................... 19
Gambar 3.8. Hasil Output OCR ........................................................................... 19
Gambar 3.9. Citra Input, Output Tanpa Whitelist, dan Output Menggunakan
Whitelist ............................................................................................................... 19
Gambar 4.1. Diagram Alir Sistem Kalkulator Tulisan Tangan ........................ 23
Gambar 4.2. Konversi Citra Asli Menjadi Grayscale .......................................... 23
Gambar 4.3. Konversi Citra Grayscale Menjadi Citra Biner............................... 24
Gambar 4.4. Hasil Proyeksi Histogram ............................................................... 24
Gambar 4.5. Hasil Ekstraksi Teks ........................................................................ 25
Gambar 4.6. Proses Perhitungan Aritmatika ........................................................ 25

xii
 DAFTAR LAMPIRAN

Halaman
Lampiran 1. Citra Biner ..................................................................................... A-1
Lampiran 2. Citra Grayscale .............................................................................. B-1
Lampiran 3. Citra Berwarna ............................................................................... C-1

xiii
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Kalkulator merupakan alat hitung yang ditemukan oleh Blaise Pascal
seorang matematikawan bangsa Prancis pada tahun 1642. Perkembangan
kalkulator telah berevolusi mulai dari segi ukuran hingga fitur yang semakin
canggih (Hidayat, 1997). Bahkan kalkulator sekarang dapat dengan mudah
ditemukan pada setiap gawai atau ponsel pintar maupun komputer. Penggunaan
kalkulator banyak digunakan diberbagai bidang, salah satunya adalah bidang
bisnis atau transaksi penjualan. Kalkulator dapat memberikan hasil perhitungan
yang tepat dan efisien daripada menghitung secara manual yang memerlukan
waktu yang lebih lama dan masih dapat berpotensi terjadi kesalahan dalam
perhitungan.
Penggunaan kalkulator memudahkan manusia dalam melakukan operasi
hitung, tetapi terdapat kendala dalam proses penginputan angka jika ingin
menghitung nilai dari angka-angka pada media tulis seperti kertas, papan tulis dan
sebagainya. Pengguna harus terlebih dahulu melihat teks pada media tulis,
kemudian membacanya dan mengingatnya lalu mengetik tulisan tersebut pada alat
atau aplikasi kalkulator. Kekurangan dari cara ini adalah ketika pengguna lupa
dengan tulisan pada media tulis, maka pengguna akan melihat teks tulisan nya lagi
dan mengingatnya lagi sehingga membutuhkan waktu yang lebih lama dalam
melakukan perhitungan menggunakan kalkulator. Oleh karena itu dibutuhkan
suatu metode agar komputer dapat membaca tulisan tangan khusus nya angka dan
operator matematika serta dapat melakukan proses perhitungan secara otomatis
tanpa harus melakukan pengetikan atau penginputan angka lagi.
Untuk mengatasi permasalahan diatas, penelitian ini akan membuat Aplikasi
Kalkulator Tulisan Tangan Sederhana Dengan Menggunakan Optical Character
Recognition (OCR). Beberapa metode lain juga akan diterapkan dalam penelitian
ini, salah satu nya dengan menggunakan metode image processing atau
pengolahan citra. Metode ini berfungsi untuk mengambil gambar atau citra tulisan

1
tangan angka dan operator matematika yang kemudian mengubahnya menjadi
informasi yang bisa diproses. Informasi yang didapat dari citra tulisan tangan
tersebut kemudian akan diterjemahkan oleh OCR untuk mendapatkan teks angka
dan operator matematika yang kemudian dilakukan operasi aritmatika agar
mendapatkan hasil perhitungan. Dengan adanya penelitian ini, diharapkan dapat
menerapkan metode Image Processing dan Optical Character Recognition untuk
menerjemahkan dan menghitung citra atau gambar tulisan tangan yang
mengandung operasi bilangan matematika dengan akurat.

1.2 Rumusan Masalah

Berdasarkan latar belakang diatas, maka dapat dirumuskan bahwa
permasalahan nya yaitu bagaimana cara membuat aplikasi kalkulator tulisan
tangan sederhana menggunakan Optical Character Recognition (OCR)?

1.3 Tujuan Penelitian

Tujuan penelitian ini adalah untuk membuat aplikasi kalkulator tulisan
tangan sederhana menggunakan Optical Character Recognition (OCR) dengan
menambahkan metode segmentasi proyeksi histogram.

1.4 Manfaat Penelitian

Manfaat dari penelitian ini yaitu pengguna aplikasi dapat melakukan
perhitungan aritmatika dengan citra tulisan tangan, dimana aplikasi akan
mengekstraksi citra tulisan tangan yang mengandung angka dan operator
matematika seperti pertambahan, pengurangan, perkalian dan pembagian menjadi
teks melalui OCR. Hasil dari citra tulisan tangan yang dikenali tersebut akan
dilakukan perhitungan aritmatika dan menghasilkan output berupa hasil operasi
matematika.

2
1.5 Batasan Masalah
Agar pembahasan tidak menyimpang dari pokok permasalahan, maka
batasan masalah pada penelitian ini adalah :
1. Canvas atau tempat menulis berwarna putih dan warna tulisan hitam.
2. Library yang digunakan adalah Tess4j dari Tesseract OCR dan OpenCV.
3. Aplikasi hanya dapat menghitung operasi aritmatika sederhana seperti
pertambahan, pengurangan, perkalian dan pembagian.
4. Aplikasi hanya dapat menghitung dua variabel bilangan matematika saja.

3
 BAB II
KAJIAN PUSTAKA

2.1 Penelitian Terkait

Untuk mendukung penelitian ini, terdapat beberapa penelitian terkait
sebelum nya yang berkaitan dengan penelitian ini. beberapa penelitian tersebut
antara lain sebagai berikut :
Penelitian terkait pertama dilakukan oleh M Maskuri (2017), dengan judul
"Implementasi Metode Template Matching Untuk Media Pembelajaran
Pengenalan Karakter Huruf Alphabet" (Maskuri, 2017). Pada penelitian ini
mengambil objek citra huruf alphabet. Huruf adalah informasi paling kecil dari
suatu kalimat yang perlu diartikan dengan baik agar informasi yang terdapat pada
kalimat dapat dimengerti. Penelitian ini didasari oleh permasalahan yang dihadapi
oleh anak taman kanak-kanak dimana salah satu permasalahan yang dihadapi
adalah menurun nya minat belajar menulis anak TK. Solusi yang ditawarkan
untuk mengatasi permasalahan diatas yaitu dengan menumbuhkan minat belajar
menulis anak dengan membuat sebuah aplikasi pengenalan huruf.
Adapun metode yang digunakan adalah Template Matching yang berfungsi
untuk mencocokkan tiap-tiap bagian dari suatu citra dengan citra yang acuan nya
(template). Citra masukan akan dibandingkan dengan citra acuan yang terdapat
pada basis data dan menghasilkan tingkat kesamaan yang menentukan citra
tersebut dikenali sebagai salah satu dari citra acuan.
Pada pengujian terhadap 312 data uji dengan data training sebanyak 104
buah, didapatkan nilai akurasi rendah yaitu dibawah 80%. Rendahnya tingkat
akurasi dalam pengenalan huruf alphabet disebabkan oleh banyak hal. Di antara
nya yaitu model huruf yang di inputkan banyak jenisnya, kesesuaian bentuk
template dengan data training juga sangat berpengaruh terhadap hasil output yang
didapatkan.
Penelitian berikutnya dilakukan oleh Ali Mahmudi, dkk. (2017) dengan
judul "Aplikasi MATLAB Untuk Mengenali Karakter Tulisan Tangan"
(Mahmudi, 2019). Objek yang digunakan pada penelitian ini yaitu citra tulisan

4
tangan. Latar belakang penelitian ini adalah berfokus pada pengenalan tulisan
tangan yang merupakan objek penelitian yang sangat menarik di bidang
pengolahan citra, kecerdasan buatan dan komputer visi karena tiap individu
memiliki variasi tulisan tangan yang berbeda antara satu dan yang lainnya.
Pengenalan tulisan tangan atau OCR memproses gambar dengan membandingkan
antara gambar dan pola tulisan yang tersimpan pada sistem.
Pada penelitian ini, metode yang digunakan yaitu image processing yang
terdiri dari grayscale dan thresholding serta segmentasi dan cropping untuk
menghasilkan citra yang baik untuk ekstraksi teks dan jaringan syaraf tiruan untuk
pengenalan karakter tulisan tangan. Hasil dari penelitian ini yaitu aplikasi yang
dibuat mampu menganalisa tulisan tangan. Dari pengujian terhadap 7 buah citra
tulisan tangan, didapatkan hasil persentase akurasi sebesar 70% dengan
menggunakan Jaringan Syaraf Tiruan Backpropagation.
Penelitian berikutnya dilakukan oleh Febri Liantoni (2017) dengan judul
"Pengenalan Karakter Angka Menggunakan Integral Proyeksi " (Liantoni,
2017). Penelitian ini didasari oleh kemajuan teknologi yang membuat komputer
memiliki kemampuan komputasi yang lebih tinggi dalam mengolah data termasuk
pengolahan citra digital yang berhubungan dengan pengenalan karakter angka.
Pengenalan karakter angka termasuk dari salah satu pengenalan pola. Pengenalan
karakter penting untuk mengolah informasi yang memungkinkan proses
identifikasi secara cepat dan otomatis.
Pada penelitian ini, metode yang digunakan merupakan metode Integral
Proyeksi atau Proyeksi Histogram yang berfungsi untuk menghitung jumlah
piksel per baris dan jumlah piksel per kolom. Kelebihan dari metode ini yaitu
pemrosesan yang sederhana dan cepat dalam mengidentifikasi suatu citra digital.
Sedangkan untuk pengenalan angka pada penelitian ini menggunakan metode
ekstraksi fitur yang digunakan untuk mencocokkan karakter angka dari fitur
integral proyeksi vertikal dan horizontal yang telah didapatkan sebelumnya.
Pada pengujian terhadap 20 gambar uji, menghasilkan nilai akurasi sebesar
65% hasil ini membuktikan bahwa metode integral proyeksi mampu melakukan
pengenalan karakter angka. Hasil metode integral proyeksi bergantung dari pre-

5
processing citra. Jika hasil pre-processing citra menghasilkan gambar yang baik,
maka hasil dari integral proyeksi akan menjadi sempurna.
Adapun yang membedakan penelitian ini dengan penelitian sebelumnya
yaitu dari segi objek, metode pengenalan karakter yang digunakan serta
pemanfaatan dari OCR. Pada penelitian yang dilakukan oleh (Maskuri, 2017)
objek yang digunakan pada penelitian ini yaitu citra tulisan tangan huruf alphabet
dan metode yang digunakan untuk pengenalan karakter yaitu metode template
matching. Lalu pada penelitian yang dilakukan oleh (Mahmudi, et al., 2017) objek
yang digunakan yaitu citra tulisan tangan dan metode yang digunakan untuk
pengenalan karakter yaitu jaringan syaraf tiruan backpropagation. Aplikasi dibuat
menggunakan MATLAB sedangkan pada penelitian ini aplikasi dibuat dengan
menggunakan bahasa pemrograman Java yang bersifat open source. Sedangkan
objek yang digunakan pada penelitian ini yaitu citra tulisan tangan operasi
bilangan matematika dan metode yang digunakan untuk pengenalan karakter
adalah Tesseract OCR. Adapun yang menjadi pembeda dengan penelitian yang
dilakukan oleh (Liantoni, 2017) adalah dari segi objek yang digunakan serta
metode pengenalan karakter angka. Untuk lebih jelasnya, perbandingan penelitian
ini dan penelitian sebelumnya dapat dilihat pada Tabel 2.1.
Tabel 2.1. Tabel Perbandingan Penelitian
Pengarang,
No Judul Metode Objek dan Hasil
Tahun
1 Maskuri, M. Implementasi Image Objek citra tulisan
(2017) Metode Template Processing, tangan huruf
Matching Untuk Template alphabet, Dari 3
Media Matching kali ujicoba dengan
Pembelajaran ketebalan 2,4 dan
Pengenalan 15 didapatkan
Karakter Huruf akurasi dibawah
Alphabet 80% dari 104 data
testing pada tiap-
tiap ketebalan.

6
2 Mahmudi, dkk Aplikasi Image Objek citra tulisan
(2017) MATLAB Untuk Processing, tangan, Pada
Mengenali Jaringan Syaraf pengujian terhadap
Karakter Tulisan Tiruan 7 buah citra tulisan
Tangan Backpropagation tangan, didapatkan
hasil akurasi rata-
rata sebesar 70%.
3 Liantoni, F Pengenalan Integral Proyeksi Objek citra
(2017) Karakter Angka (Proyeksi karakter angka,
Menggunakan Histogram), Pada pengujian
Metode Integral Ekstraksi Fitur terhadap 20 citra
Proyeksi karakter angka,
didapatkan hasil
akurasi sebesar
65%.
4 Hasrul Aswad Aplikasi Image Objek citra tulisan
(2020) Kalkulator Processing, tangan operasi
Tulisan Tangan Proyeksi bilangan
Sederhana Histogram, matematika, Dari
Menggunakan Tesseract OCR. pengujian terhadap
Optical 20 citra tulisan
Character tangan operasi
Recognition bilangan
matematika,
didapatkan hasil
akurasi OCR yang
benar sebesar 85%
dan gambar yang
berhasil di
ekstraksi dan benar
sebesar 85%.

7
2.2 Landasan Teori
Landasan teori merupakan penjelasan istilah teori-teori yang terdapat di
dalam penelitian ini. Adapun landasan teori yang terdapat penelitian ini adalah
sebagai berikut :
2.2.1 Operasi Aritmatika
Aritmatika berasal dari bahasa Yunani arithmos yang berarti angka.
Aritmatika adalah cabang tertua dan paling dasar dari matematika yang
digunakan oleh semua orang, Aritmatika biasa digunakan untuk melakukan
perhitungan biasa. yang mencakup penjumlahan,pengurangan, perkalian, dan
pembagian. Operasi-operasi ini merupakan dasar dari operasi aritmatika
tingkat kompleks.
1. Penjumlahan
Penjumlahan adalah dasar dari segala operasi diaritmatika. Bentuk
terdasarnya adalah menggabungkan 2 angka menjadi 1 angka yang adalah
jumlah 2 angka tersebut. Simbol dari penjumlahan dalam matematika adalah
(+).
Contoh :
3+5=8
2+7=9
2. Pengurangan
Pengurangan merupakan kebalikan dari penjumlahan. Pengurangan
mencari selisih dari 2 bilangan. Bila bilangan pengurang lebih kecil dari yang
dikurangi, hasil pengurangan akan positif. Sementara jika pengurang lebih
besar dari yang dikurangi, maka hasil pengurangan akan negatif. Simbol dari
pengurangan adalah (-).
Contoh :
7–5=2
3. Perkalian
Perkalian ialah menggabungkan 2 angka menjadi 1angka yang
merupakan hasil kali 2 bilangan awal disebut pengali dan dikali, atau secara
simpel kita dapat menyebut keduanya faktor. Simbol dari perkalian yaitu (x).
Contoh :

8
 2x3=2+2+2=6
4 x 5 = 4 + 4 + 4 + 4 + 4 = 20
4. Pembagian
Pembagian ialah lawan dari perkalian, pembagian mencari bilangan dari
2 bilangan, yaitu pembagi dan yang dibagi. simbol dari pembagian adalah (:).
Contoh :
4 : 2 = 2 karena 2 x 2 = 4 (Rohmah et al., 2016).
2.2.2 Citra Digital
Citra adalah suatu gambaran yang merupakan kemiripan atau imitasi dari
sebuah objek. Citra terbagi menjadi dua jenis, yaitu citra analog dan citra
digital. Citra analog adalah citra yang tidak dapat diolah oleh komputer.
Contohnya adalah lukisan, foto yang tercetak di kertas, hasil CT scan, dan
lain sebagainya. Sedangkan citra digital merupakan citra yang dapat disimpan
kedalam memori dan dapat diolah oleh komputer. Citra analog tidak dapat
ditampilkan dan diolah oleh komputer secara langsung tetapi harus melalui
proses konversi ke citra digital terlebih dahulu.
Citra digital memiliki beberapa jenis yang menentukan cara menyimpan
citra digital kedalam memori. Adapun beberapa jenis citra digital yang biasa
digunakan yaitu :
1. Citra Biner
Citra biner adalah citra yang hanya memiliki 2 warna yaitu hitam dan
putih. Citra biner membutuhkan 1 bit untuk menyimpan kedua warna ini
kedalam memori. Gradasi warna pada citra biner adalah bilangan 0 mewakili
warna hitam dan bilangan 1 mewakili warna putih.

Gambar 2.1. Citra Biner

9
2. Citra Grayscale
Citra Grayscale atau Citra Skala Keabuan adalah citra yang banyak
warna nya tergantung dari jumlah bit yang disediakan di memori untuk
menampung warna ini. Pada penyimpanan 8 bit, citra grayscale memiliki
nilai intensitas citra antara 0 sampai 255. 0 mewakili warna hitam dan 255
mewakili warna putih. semakin rendah nilai intensitas citra grayscale maka
warna citra tersebut akan semakin gelap dan sebaliknya jika semakin tinggi
nilai intensitas citra grayscale maka warna citra akan semakin cerah. nilai
intensitas diantara 0 dan 255 merupakan gradasi warna keabuan.

Gambar 2.2. Citra Grayscale

3. Citra Berwarna / RGB
Citra berwarna adalah citra yang mewakili kombinasi dari tiga warna
dasar yaitu warna Merah (Red), Hijau (Green) dan Biru (Blue) sehingga citra
ini sering disebut sebagai citra RGB. Tiap-tiap warna dasar memakai
penyimpanan 8 bit (1 byte) sehingga setiap warna memiliki gradasi sebanyak
256 warna yang berarti tiap piksel mempunyai kombinasi warna sebanyak 16
jutaan warna (28 x 28 x 28 = 224 ) (Sutoyo et al., 2009).

Gambar 2.3. Citra Berwarna

10
2.2.3 Thresholding
Thresholding merupakan proses mengubah citra grayscale menjadi
citra hitam putih atau biner yang mempunyai nilai piksel 0 dan 1.
Thresholding bertujuan untuk mengetahui region yang termasuk objek citra
dan latar belakang citra (Maria et al., 2018). Thresholding dapat didefinisikan
pada persamaan berikut :
1 , 𝑖𝑓 𝑓 (𝑥, 𝑦) ≥ 𝑇
𝑔(𝑥, 𝑦) = { } (1)
0, 𝑖𝑓 𝑓 (𝑥, 𝑦) ≤ 𝑇
Dimana g(x,y) merupakan citra biner hasil dari citra grayscale f(x,y) dan
T merupakan nilai ambang (threshold). Jika nilai piksel pada citra melewati
nilai ambang, maka intensitas warna pada citra akan diubah menjadi 1.
Sebaliknya jika nilai piksel pada citra kurang dari nilai ambang, intensitas
warna pada citra akan diubah menjadi 0 (Masrani et al., 2018).
2.2.4 Histogram Proyeksi
Histogram proyeksi adalah sebuah metode untuk mencari daerah atau
lokasi dari objek. Metode ini menjumlahkan piksel per baris dan piksel per
kolom sehingga dapat diketahui batas-batas dari objek yang berbeda
(Liantoni, 2018). Histogram proyeksi terdiri dari dua bagian yaitu histogram
proyeksi horizontal dan histogram proyeksi vertikal (Septiarini, 2012).

Gambar 2.4. Histogram Proyeksi Horizontal dan Vertikal

Histogram proyeksi vertikal digambarkan dengan suatu vector Pv
berukuran N dari sebuah citra biner S(N,M), dimana N menyatakan
banyaknya baris pada citra. Histogram proyeksi vertikal pada baris ke-i,
yaitu Pv[i], histogram proyeksi vertikal dapat didefinisikan pada persamaan
berikut :

Pv [𝑖] = ∑𝑀
𝑖=1 S[i, j] (2)

Histogram proyeksi horizontal digambarkan dengan suatu vector Ph

berukuran M, dimana M menyatakan banyaknya kolom pada citra. Histogram

11
proyeksi horizontal pada kolom ke-j, yaitu Ph[j], Histogram proyeksi
horizontal dapat didefinisikan dengan persamaan berikut :
𝑀
Ph [𝑖] = ∑𝑗=1 S[i, j] (3)

2.2.5 OpenCV
OpenCV merupakan sebuah library untuk visi komputer yang bersifat
open source yang dibuat oleh Intel dan dapat dioperasikan pada komputer
yang mempunyai sistem operasi Windows ataupun Linux. OpenCV dapat
digunakan untuk penerapan interaksi manusia-komputer, identifikasi objek,
segmentasi, serta pengenalan objek (Irianto, 2010).
2.2.6 OCR (Optical Character Recognition)
Optical Character Recognition merupakan sebuah sistem pada komputer
yang mampu membaca karakter (huruf, angka maupun simbol tertentu) yang
terdapat pada citra atau foto. Foto dapat berupa tulisan cetak maupun tulisan
tangan. hasil ekstraksi foto tersebut menghasilkan teks dengan menyesuaikan
pola karakter per baris dengan pola yang terdapat pada database OCR.
Tingkat akurasi pada OCR sangat bergantung pada kualitas citra dan metode
yang digunakan pada pengolahan citra (Setiawan & Sujaini, 2017). Kelebihan
dari sistem OCR yaitu pengguna dapat memasukkan data tanpa harus
menggunakan papan ketik, melainkan dapat menggunakan pena elektronik
untuk menulis layaknya menulis di sebuah kertas.(Fauzi et al., 2013).

2.2.7 Tesseract OCR

Tesseract OCR merupakan sebuah mesin OCR yang dikembangkan oleh
HP (Hewlett-Packard) pada tahun 1984 sampai 1994. Pada akhir 2005,
Google mengambil alih proyek tersebut setelah HP merilis Tesseract untuk
open source. Tesseract merupakan mesin OCR terbaik yang paling akurat dan
bersifat open source (Chakraborty & Mallik, 2013). Tess4J merupakan
sebuah Tesseract OCR API yang dikembangkan agar tesseract dapat
dijalankan pada bahasa pemrograman java. Tahapan proses Tesseract OCR
adalah sebagai berikut :

12
 Gambar 2.5. Tahapan Proses Tesseract OCR
Penjelasan dari algoritma tesseract adalah sebagai berikut :
1. Langkah pertama adalah Menganalisis komponen yang terhubung. Pada
langkah ini tesseract memeriksa tulisan hitam pada background putih
ataupun tulisan putih yang ada pada background hitam.
2. Hasil dari pemeriksaan atau pendeteksian tulisan hitam atau putih ini
akan menghasilkan blob-blob.
3. Dari hasil blob-blob tersebut, blob-blob diatur sehingga menjadi
kumpulan baris-baris yang telah terpotong-potong lalu dipisahkan kata
per kata dengan menggunakan metode definite space dan fuzzy space.
4. Tahap berikutnya, kata-kata yang sudah terpotong akan di identifikasi
karakternya dari baris teratas hingga baris terbawah. Setiap kata yang
berhasil di identifikasi atau dikenali, dilewatkan dan menjadi data latih
untuk pengklasifikasian adaptif. Tujuan nya agar dapat mengenali kata
selanjutnya dengan lebih akurat.
5. Tahap selanjutnya, proses pengenalan kata akan dilakukan sekali lagi
untuk mengidentifikasi kata-kata yang masih belum dikenali.
6. Langkah terakhir, memecahkan fuzzy space dan menemukan huruf
kecil. Lalu hasil pengenalan karakternya akan ditampilkan.
(Hidayatullah, 2017).

13
 BAB III
METODE PENELITIAN

3.1 Kerangka Penelitian

Kerangka penelitian dibutuhkan didalam penelitian ini bertujuan untuk
memudahkan dalam proses ekstraksi teks dari citra tulisan operasi aritmatika yang
kemudian dilakukan perhitungan agar mendapatkan hasil hitung dari citra asli
nya. Adapun kerangka penelitian tersebut sebagai berikut :

Mulai

Pengumpulan Data

Pre-processing

Implementasi Metode Proyeksi Histogram

Implementasi Optical Character Recognition

Implementasi Perhitungan Aritmatika

Uji Coba

Kesimpulan

Selesai

Gambar 3.1. Kerangka Penelitian

14
3.2 Model Pengembangan
Model pengembangan menjelaskan tentang langkah-langkah atau tahap-
tahap yang akan dilakukan pada penelitian dalam mengumpulkan data atau
informasi hingga tahap pengujian. Adapun penjelasan dari tahap-tahap penelitian
ini adalah sebagai berikut:
3.2.1 Pengumpulan Dataset
Data yang digunakan dalam penelitian ini yaitu citra tulisan tangan
operasi bilangan matematika. Data diambil dari hasil citra tulisan tangan
digital dari canvas atau media tulis yang dibuat dengan bahasa pemrograman
java dengan background dan warna tulisan yang telah ditentukan sebanyak
20 gambar. Tulisan tangan bilangan matematika terdiri dari dua variabel
bilangan dan sebuah operator yang terdiri dari penjumlahan, pengurangan,
perkalian dan pembagian. Gambar tulisan tangan disimpan dengan
menggunakan format .png dengan ukuran gambar berdimensi 484x150
piksel. Adapun contoh hasil data citra tulis tangan dari canvas atau media
tulis adalah sebagai berikut.

Gambar 3.2. Citra Tulisan Tangan Operasi Bilangan Matematika

3.2.2 Pre-processing
Gambar yang telah diambil dari canvas atau media tulis kemudian akan
dilakukan tahap pre-processing dengan mengubah citra ke grayscale. Cara
mengubah citra RGB (berwarna) menjadi grayscale yaitu dengan
menggunakan rumus berikut ini :
𝑌 = 0.299 𝑅 + 0.587 𝐺 + 0.114 𝐵 (4)
Dimana :
Y = Citra grayscale
R = Nilai piksel berwarna merah
G = Nilai piksel berwarna hijau
B = Nilai piksel berwarna biru

15
 Sebagai contoh terdapat citra berwarna berukuran 3x3 dengan nilai piksel
sebagai berikut :
R = 90 R = 120 R = 200
G = 120 G = 200 G = 90
B = 200 B = 90 B = 120
R = 120 R = 90 R = 120
G = 200 G = 120 G = 200
B = 90 B = 200 B = 90
R = 200 R = 200 R = 90
G = 90 G = 120 G = 120
B = 120 B = 80 B = 200
Gambar 3.3. Matrik Citra RGB 3x3
Pada piksel (1,1) nilai R = 90, G = 120 dan B = 200 sehingga untuk
mencari nilai grayscale nya adalah :
Y = (0.299 x 90) + (0.587 x 120) + (0.114 x 200)
Y = 26,91 + 70,44 + 22,8
Y = 120,15
Nilai grayscale pada piksel (1,1) adalah 120,15. Dan jika diterapkan pada
semua piksel akan menghasilkan citra grayscale sebagai berikut :
120,15 163,54 126,31
163,54 120,15 163,54
126,31 126,31 120,15
Gambar 3.4. Matrik Citra Grayscale 3x3
Setelah didapatkan citra grayscale langkah berikutnya yaitu dengan
melakukan binerisasi pada citra dengan menggunakan metode thresholding.
Pada penelitian ini metode thresholding yang digunakan yaitu thresholding
tunggal, dimana nilai thresholding ditentukan terlebih dahulu. Jika nilai
intensitas piksel melewati nilai thresholding, nilai intensitas tersebut akan
diubah menjadi 255 (atau 1 pada skala biner) dan jika tidak melewati nilai
thresholding akan diubah menjadi 0. Sebagai contoh, pada gambar 3.4 Matrik
Grayscale akan diubah menjadi Matrik biner. Untuk nilai thresholdnya
ditentukan dari nilai tengah pada rentang nilai intensitas citra grayscale yaitu
127. Nilai grayscale pada piksel (1,1) yaitu 120,15, karena nilai grayscale
piksel 1,1 tidak melewati nilai thresholding maka nilai intensitas pikselnya
akan diubah menjadi 0. Sedangkan pada piksel (2,1) memiliki nilai piksel
163,54, karena nilai nya melewati nilai thresholding maka nilai intensitas

16
pada piksel (2,1) akan diubah menjadi 255. Sehingga, hasil dari matrik
grayscale yang telah diubah menjadi biner yaitu sebagai berikut :
0 1 0
1 0 1
0 0 0
Gambar 3.5. Matrik Biner 3x3
Pada OpenCV, terdapat fungsi COLOR_BGR2GRAY untuk mengubah
citra RGB menjadi grayscale dan fungsi THRESH_BINARY untuk
mengubah citra grayscale menjadi citra biner.
3.2.3 Implementasi Metode Histogram Proyeksi
Pada tahap ini gambar yang telah dijadikan citra biner kemudian akan
dilakukan segmentasi untuk mencari region yang merupakan objek dari citra
dengan menggunakan metode histogram proyeksi. Pada penelitian ini
digunakan metode histogram proyeksi horizontal untuk mendapatkan baris
dari tulisan tangan operasi bilangan matematika. Jumlah piksel yang putih
(nilai intensitas bukan 0) pada setiap baris akan dihitung kemudian dikurangi
oleh jumlah keseluruhan area baris untuk mendapatkan histogram dari citra
hitam yang merupakan region dari objek teks. Untuk menentukan titik awal
dari region objek, dilakukan deteksi pada histogram yang telah dibuat. Titik
piksel awal dimulai dari baris yang pertama kali memiliki nilai histogram
yang bukan 0. Region objek pada citra yaitu sepanjang nilai histogram tidak
bernilai dan titik piksel akhir ditentukan dari nilai histogram yang sudah
kembali bernilai 0. Adapun langkah-langkah untuk melakukan histogram
proyeksi horizontal adalah sebagai berikut :
1. Hitung jumlah piksel putih pada tiap baris pada matrik citra biner
2. Hitung jumlah piksel hitam pada tiap baris pada matrik citra biner dengan
cara rumus berikut ini :
𝑇𝑜𝑡𝑎𝑙 𝑃𝑖𝑘𝑠𝑒𝑙 𝐻𝑖𝑡𝑎𝑚 = 𝑇𝑜𝑡𝑎𝑙 𝑃𝑖𝑘𝑠𝑒𝑙 𝐵𝑎𝑟𝑖𝑠 − 𝑇𝑜𝑡𝑎𝑙 𝑃𝑖𝑘𝑠𝑒𝑙 𝑃𝑢𝑡𝑖ℎ (5)
3. Simpan hasil hitung piksel hitam dari masing-masing baris dalam sebuah
Arraylist
4. Untuk menentukan titik awal dari segmentasi baris yaitu dengan
memeriksa nilai-nilai pada array yang telah dibuat untuk mencari nilai
yang mengandung piksel berwarna hitam. (nilai histogram yang bukan 0)

17
5. Jika nilai yang mengandung piksel berwarna hitam didapatkan, kemudian
mencari titik akhir dari piksel yang berwarna hitam. Titik akhir citra yaitu
jika nilai pada histogram adalah 0.
6. Segmentasi bagian piksel yang mengandung piksel berwarna hitam.

Contoh :

(a) Citra Sebelum Histogram Proyeksi

(b) Citra Sesudah Histogram Proyeksi

Gambar 3.6. Proses Histogram Proyeksi
3.2.4 Implementasi Optical Character Recognition
Pada tahap ini dilakukan ekstraksi teks dari citra tulisan tangan operasi
bilangan matematika yang telah disegmentasi. Objek tulisan pada citra
kemudian akan dicocokkan dengan karakter-karakter yang dapat dikenali
oleh komputer. Hasil keluaran dari proses pengenalan karakter ini adalah teks
angka dan operator matematika. Ekstraksi teks atau pengenalan karakter pada
tahap ini menggunakan fungsi yang telah disediakan oleh Tesseract OCR.
Adapun tahapan melakukan pengenalan karakter pada Tesseract OCR di java
yaitu dengan mengimpor library Tess4j ke dalam project yang telah dibuat.
Kemudian meletakkan folder tessdata yang berisi dataset dari Tess4j ke
direktori yang diinginkan contohnya direktori C:\. Setelah itu, mengimpor file
gambar yang ingin dilakukan ekstraksi teks ke dalam folder project kemudian
memanggil nama file gambar ke dalam baris program yang dibuat, contoh
gambar dapat dilihat pada gambar 3.7.

18
 Gambar 3.7. Citra Teks Tulisan
Setelah gambar diinputkan ke dalam sebuah objek file, selanjutnya
membuat objek tesseract dan mengatur lokasi dataset pada folder tessdata.
Pada tahap ini, proses ekstraksi teks dapat dilakukan dengan menggunakan
fungsi doOCR. Hasil output dari citra teks tulisan dapat dilihat pada gambar
berikut ini :

Gambar 3.8. Hasil Output OCR

Pada penelitian ini objek yang diteliti merupakan citra tulisan tangan
operasi bilangan matematika, sehingga dibutuhkan pembatasan karakter agar
hasil output yang diinginkan hanya berupa angka dan operator. Pada Tess4j
terdapat fungsi tessedit_char_whitelist yang bertujuan hanya menampilkan
hasil output sesuai karakter yang ditulis pada daftar yang dibuat. Adapun
contoh output menggunakan whitelist dan tidak menggunakan whitelist
terdapat pada gambar 3.9.

19
 (a) Citra Input

(b) Output Tanpa Whitelist

(c) Output Menggunakan Whitelist

Gambar 3.9. Citra Input, Output Tanpa Whitelist, dan Output
Menggunakan Whitelist
Terdapat perbedaan hasil output dari ekstraksi menggunakan whitelist dan
tanpa menggunakan whitelist pada karakter pertama dan kelima dari citra
yang diinput. Contohnya pada karakter pertama menghasilkan output huruf l
pada output tanpa menggunakan whitelist sedangkan pada output
menggunakan whitelist output yang dihasilkan yaitu angka 1.
3.2.5 Implementasi Perhitungan Aritmatika
Pada tahap ini, hasil dari ekstraksi citra tulisan tangan bilangan
matematika kemudian akan dilakukan perhitungan. Adapun langkah-langkah
perhitungan nya yaitu sebagai berikut :
1. Karakter hasil dari ekstraksi teks akan diperiksa terlebih dahulu untuk
memastikan bahwa tidak ada karakter selain angka dan operator
matematika.
2. Jika operator ditemukan, maka lakukan perhitungan antara bilangan
pertama dan bilangan kedua dengan operator tersebut.

20
 Contoh :
Hasil OCR adalah 14 + 71
Hasil output dari perhitungan diatas adalah 85

3.2.6 Uji Coba

Tahap uji coba merupakan tahapan terpenting dari sebuah penelitian. Hasil
uji coba menentukan keberhasilan atau kegagalan metode yang diterapkan.
Pada pengujian ini berfokus pada hasil pengenalan karakter dari citra tulisan
tangan operasi bilangan matematika dan hasil perhitungan operasi aritmatika.
Untuk menghitung akurasi keberhasilan dapat dihitung dengan menggunakan
rumus sebagai berikut

Jumlah Gambar Berhasil Dihitung & 𝐵𝑒𝑛𝑎𝑟

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = x 100% (5)
Jumlah total gambar

3.2.7 Kesimpulan
Tahap terakhir yaitu penarikan kesimpulan dari penelitian yang telah
dilakukan uji coba. penarikan kesimpulan berdasarkan hasil uji coba berupa
akurasi keberhasilan ekstraksi teks dan perhitungan aritmatika. kesimpulan
penelitian ini berguna bagi peneliti lain untuk mengembangkan aplikasi yang
telah dibuat menjadi lebih baik lagi dan mendapatkan hasil akurasi yang lebih
optimal dengan metode-metode lain yang dapat digunakan.

21
 BAB IV
HASIL DAN PEMBAHASAN

4.1 Penyajian Data Uji Coba

Pada penelitian ini dataset yang digunakan adalah citra tulisan tangan
operasi bilangan matematika 20 citra yang terdiri dari 5 citra tulisan tangan
operasi bilangan penambahan, 5 citra tulisan tangan operasi bilangan
pengurangan, 5 citra tulisan tangan operasi bilangan perkalian dan 5 citra tulisan
tangan operasi bilangan pembagian. Contoh dataset yang digunakan dapat dilihat
pada Tabel 4.1.
Tabel 4.1. Contoh Dataset
No Nama Citra Keterangan Citra
1 penambahan1.png Operasi
bilangan
penjumlahan

2 pengurangan1.png Operasi
bilangan
pengurangan

3 perkalian1.png Operasi
bilangan
pengurangan

4 pembagian1.png Operasi
bilangan
pembagian

Pengujian dilakukan pada citra secara individu, dengan warna background

canvas dan warna tulisan yang sama baik untuk citra tulisan tangan penambahan,
pengurangan, perkalian dan pembagian.

22
4.2 Hasil Analisis
Pada bagian ini ditampilkan hasil uji coba alir sistem yang telah dilakukan
mulai dari tahap pre-processing, segmentasi citra dengan menggunakan proyeksi
histogram, implementasi OCR, dan perhitungan aritmatika hingga tahap uji coba.

Gambar 4.1. Diagram Alir Sistem Kalkulator Tulisan Tangan

Cara kerja dari sistem ini adalah dengan menulis angka dan operator
matematika pada media tulis, kemudian hasil dari tulisan tangan tersebut akan
disimpan kedalam bentuk gambar dan kemudian menjadi masukkan untuk sistem
yang selanjutnya diproses sesuai tahapan-tahapan pada Gambar 4.1.
4.2.1 Pre-processing Citra
Pada tahap ini, citra tulisan tangan akan diproses menjadi citra grayscale
yang bertujuan untuk memudahkan proses pengolahan citra, pada tahap pre-
processing ini, dataset citra tulisan tangan yang berjumlah 20 gambar diubah
menjadi gambar berskala keabuan. Adapun proses konversi citra tulisan tangan
menjadi citra grayscale adalah sebagai berikut :

(a) Citra Asli (b) Citra Grayscale

Gambar 4.2. Konversi Citra Asli Menjadi Grayscale

23
 Setelah citra grayscale didapatkan, langkah selanjutnya yaitu dengan
mengubah citra grayscale menjadi citra biner yang hanya mempunyai nilai
intensitas 0 dan 1. Cara mengubah citra grayscale menjadi citra biner dapat
dilakukan dengan menggunakan metode thresholding. Adapun proses
thresholding dapat dilihat pada gambar 4.3.

(a) Citra Grayscale (b) Citra Biner

Gambar 4.3. Konversi Citra Grayscale Menjadi Citra Biner

4.2.2 Segmentasi Citra Menggunakan Proyeksi Histogram

Langkah selanjutnya yaitu melakukan segmentasi yang bertujuan untuk
mengambil wilayah yang merupakan objek teks pada citra. Pada penelitian ini
metode yang digunakan yaitu Proyeksi Histogram Horizontal untuk
mendapatkan baris teks. Hasil dari segmentasi proyeksi histogram ditunjukkan
pada gambar 4.4

(a) Citra Biner (b) Citra Hasil Segmentasi

Gambar 4.4. Hasil Proyeksi Histogram

4.2.3 Implementasi Optical Character Recognition (OCR)

Pada tahap ini dilakukan ekstraksi teks dari citra hasil segmentasi yang
telah dilakukan. Sebelum melakukan ekstraksi teks, langkah yang harus
dilakukan yaitu dengan mengimport library Tess4j yang berfungsi untuk
mengenali teks pada citra. Kemudian mengatur lokasi tessdata yang merupakan
tempat database pengenalan karakter pada Tesseract. Pada penelitian ini output
yang dikeluarkan adalah teks angka dan operator matematika, sehingga
dilakukan pengaturan teks yang inginkan dengan menggunakan fungsi whitelist
dan pencocokkan karakter agar hasil output seperti yang diharapkan. Hasil

24
output dari ekstraksi teks citra tulisan tangan operasi bilangan matematika dapat
dilihat pada gambar 4.5.

Gambar 4.5. Hasil Ekstraksi Teks

4.2.4 Perhitungan Aritmatika

Setelah hasil ekstraksi teks didapatkan, terakhir dilakukan perhitungan
aritmatika dengan melakukan operasi hitung antara variabel angka pertama dan
variabel angka kedua dengan operator matematika yang terdapat pada citra
tulisan tangan.

Gambar 4.6. Proses Perhitungan Aritmatika

Pada contoh hasil output ekstraksi teks dari sebuah dataset yang terdapat
pada gambar 4.6, algoritma perhitungan aritmatika dimulai dengan cara mencari
variabel angka pertama dan variabel angka kedua dari teks bilangan operasi
matematika. Kemudian mencari operator matematika yang terdapat pada teks,
Untuk bilangan negatif, jika terdapat tanda – (minus) diawal angka maka angka
tersebut akan diubah menjadi bilangan negatif dan digabungkan menjadi 1
variabel. Jika operator ditemukan, maka akan dilakukan perhitungan aritmatika
antara variabel angka pertama dan variabel angka kedua. Adapun implementasi
dari perhitungan aritmatika pada gambar 4.6. adalah sebagai berikut :

25
 Diketahui : Hasil ekstraksi teks yaitu -8-3
Variabel angka pertama : -8
Variabel angka kedua : 3
Operator matematika : -
Sehingga perhitungan aritmatika nya adalah :
Hasil Hitung = Variabel angka pertama – Variabel angka kedua
= -8 - 3
= -11

4.3 Hasil Uji Coba

Uji coba hasil ekstraksi teks dilakukan terhadap citra tulisan tangan operasi
bilangan matematika. Jumlah dataset yang digunakan yaitu sebanyak 20 citra
yang terdiri dari 5 citra tulisan tangan operasi bilangan penambahan, 5 citra
tulisan tangan operasi bilangan pengurangan, 5 citra tulisan tangan perkalian dan
5 citra tulisan tangan operasi bilangan pembagian. Berikut ini merupakan hasil
ekstraksi teks dari citra tulisan tangan operasi bilangan matematika yang
ditunjukkan pada tabel 4.2.
Tabel 4.2. Hasil Ekstraksi Teks Citra Tulisan Tangan Operasi Bilangan
Matematika
No Nama Citra Citra Asli Output Pencocokan
Teks
1 penambahan1.png 3+5 Cocok

2 penambahan2.png -5+7 Cocok

3 penambahan3.png 10+-2 Cocok

26
4 penambahan4.png 30+64 Cocok

5 penambahan5.png -80+-55 Cocok

6 pengurangan1.png 4-6 Cocok

7 pengurangan2.png -3-8 Cocok

8 pengurangan3.png 92—6 Cocok

9 pengurangan4.png 10-96 Cocok

10 pengurangan5.png -69—30 Cocok

11 perkalian1.png 8*2 Cocok

12 perkalian2.png -6*4 Cocok

13 perkalian3.png 71*-3 Cocok

27
14 perkalian4.png 29*44 Tidak
Cocok

15 perkalian5.png -10*-20 Tidak

Cocok

16 pembagian1.png 9/1 Cocok

17 pembagian2.png -6/3 Cocok

18 pembagian3.png 12/-4 Cocok

19 pembagian4.png 70-2 Tidak

Cocok

20 pembagian5.png -84/-12 Cocok

Total Ekstraksi Teks Yang Cocok : 17

Dari tabel hasil ekstraksi teks diatas, terdapat beberapa hasil ekstraksi teks
yang tidak cocok dengan citra tulisan tangan. Hal itu disebabkan karena Tesseract
OCR mengklasifikasikan karakter tersebut menjadi karakter lain yang tidak sesuai
dengan harapan seperti angka 2 yang terklasifikasi menjadi angka 9 pada gambar
perkalian4.png dan juga dapat terklasifikasi menjadi angka 1 pada gambar
perkalian5.png. Penyebab lainnya yaitu terdapat karakter yang tidak terdeteksi
seperti yang ditunjukkan pada gambar pembagian4.png, Dimana Tesseract OCR
tidak mampu mengenali karakter : (titik dua) yang merupakan simbol pembagian
akan tetapi dapat membaca simbol pembagian yang lain nya yaitu /.

28
 Untuk mengetahui akurasi dari ekstraksi teks dapat dihitung dengan rumus
sebagai berikut :
Jumlah Hasil Ekstraksi Teks Cocok
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = x 100%
Jumlah Total Gambar
17
= x 100%
20
Akurasi = 85%
Setelah pengujian ekstraksi teks terhadap citra tulisan tangan selesai
dilakukan, pengujian berikutnya yaitu untuk mengetahui hasil perhitungan
aritmatika dari teks angka dan huruf dari hasil ekstraksi teks. Indikator penilaian
dari uji coba perhitungan aritmatika yaitu hasil perhitungan sesuai dengan tulisan
tangan yang dibuat. Adapun hasil uji coba perhitungan aritmatika dari hasil
ekstraksi teks yang dilakukan dapat dilihat pada Tabel 4.3.
Tabel 4.3. Hasil Uji Coba Perhitungan Aritmatika
No Citra Hasil Hasil Hitung Keterangan
Ekstraksi
1 3+5 8 Benar

2 -5+7 2 Benar

3 10+-2 8 Benar

4 30+64 94 Benar

29
5 -80+-55 -135 Benar

6 4-6 -2 Benar

7 -3-8 -11 Benar

8 92—6 98 Benar

9 10-96 -86 Benar

10 -69—30 -39 Benar

11 8*2 16 Benar

12 -6*4 -24 Benar

13 71*-3 -213 Benar

14 29*44 1276 Salah

30
15 -10*-20 200 Salah

16 9/1 9 Benar

17 -6/3 -2 Benar

18 12/-4 -3 Benar

19 70-2 68 Salah

20 -84/-12 7 Benar

Total Gambar Berhasil Dihitung dan Benar 17

Dari tabel hasil perhitungan diatas, dari uji coba yang dilakukan terhadap 20
dataset citra tulisan tangan operasi bilangan matematika diperoleh total gambar
yang berhasil dihitung dan benar sebanyak 17 citra, sedangkan 3 citra yang
lainnya menghasilkan hasil perhitungan yang salah. Hal itu disebabkan oleh hasil
ekstraksi teks yang tidak sesuai sehingga mempengaruhi hasil dari perhitungan.
Untuk mengetahui akurasi dari uji coba perhitungan aritmatika dapat dihitung
dengan rumus sebagai berikut :
Jumlah Gambar Berhasil Dihitung & 𝐵𝑒𝑛𝑎𝑟
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = x 100%
Jumlah Total Gambar
17
= x 100%
20
Akurasi = 85%

31
 BAB V
PENUTUP

5.1 Kesimpulan
Berdasarkan penelitian yang telah dilakukan, dapat disimpulkan bahwa :
1. Aplikasi kalkulator tulisan tangan sederhana mampu melakukan
perhitungan aritmatika dari citra tulisan tangan operasi bilangan
matematika.
2. Tesseract OCR mampu melakukan ekstraksi teks pada citra tulisan tangan.
Untuk menghasilkan output berupa karakter angka dan operator
matematika dapat dilakukan dengan cara mendaftarkan karakter angka dan
operator pada daftar whitelist.
3. Dari uji coba terhadap 20 citra tulisan tangan operasi bilangan matematika
diperoleh hasil akurasi ekstraksi teks sebesar 85% dan akurasi citra tulisan
tangan yang dapat dihitung dan benar sebesar 85%
5.2 Saran
Berdasarkan kesimpulan diatas, adapun saran dan masukan yang dapat
disampaikan adalah sebagai berikut :
1. Tulisan tangan yang dibuat dapat mempengaruhi keakuratan hasil
ekstraksi teks. Dengan tulisan tangan yang rapi dan jelas, akurasi ekstraksi
teks yang didapat akan semakin tinggi.
2. Hasil ekstraksi teks sangat berpengaruh pada keberhasilan perhitungan
aritmatika sehingga disarankan menggunakan OCR engine yang lebih
bagus untuk meningkatkan akurasi ekstraksi teks tulisan tangan.
3. Aplikasi dapat dikembangkan ke platform lain seperti Android sehingga
input citra tulisan tangan operasi bilangan matematika dapat melalui
kamera smartphone.

32
 DAFTAR PUSTAKA

Hidayat, D. (1997). Penggunaan Kalkulator Dalam Pengajaran Matematika

Sekolah Dasar. Cakrawala Pendidikan, 1, 173–180.
Maskuri, M. (2017). Implementasi Metode Template Matching Untuk Media
Pembelajaran Pengenalan Karakter Huruf Alphabet, Simki-Techsain 01(11).
Mahmudi, A. (2017). Aplikasi MATLAB untuk Mengenali Karakter Tulisan
Tangan. MATICS, 9(1), 18. https://doi.org/10.18860/mat.v9i1.4128.
Siregar, R. (2019). Implementasi OTSU Thresholding pada Optical Character
Recognition Menggunakan Engine Tesseract. Jurnal Ilmiah Core IT:
Community Research Information Technology, 7(1).
Rohmah, M. F., Akbar, R. M., & Sari, A. N. K. (2016). Perancangan Aplikasi
Game Aritmatika Dasar Berbasis Android. J. Saintek, 13(1), 36-43
Sutoyo, T, dkk. 2009. Teori Pengolahan Citra Digital. Yogyakarta: ANDI.
Maria, E., Arinda, Y. P., & Nobel, P. (2018). Segmentasi Citra Digital Bentuk
Daun Pada Tanaman Di Politani Samarinda Menggunakan Metode
Thresholding. Jurti, 2(1), 37–46.
Masrani, H., Ruslianto, I., & Ilhamsyah. (2018). Aplikasi Pengenalan Pola Pada
Huruf Tulisan Tangan Menggunakan Jaringan Saraf Tiruan Dengan Metode
Ekstraksi Fitur Geometri. Coding, Sistem Komputer Untan, 06(02), 69–78.
Liantoni, F. (2017). Pengenalan karakter angka menggunakan metode Integral
Proyeksi. Register: Jurnal Ilmiah Teknologi Sistem Informasi, 3(2), 57.
https://doi.org/10.26594/register.v3i2.706.
Septiarini, A. (2012). Segmentasi Karakter Menggunakan Profil Proyeksi. Jurnal
Informatika Mulawarman, 7(2),66-69.
Irianto, K. D. (2010). Pendeteksi gerak berbasis kamera menggunakan opencv
pada ruangan,Jurnal KomuniTi, 2(1), 52–59.
Setiawan, A., Sujaini, H., & Pn, A. B. (2017). Implementasi Optical Character
Recognition ( OCR ) pada Mesin Penerjemah Bahasa Indonesia ke Bahasa
Inggris. Jurnal Sistem Dan Teknologi Informasi (JUSTIN), 5(2), 135–141.
Fauzi, M. R., Agus, N., & Ajulian, A. (2014). Mengubah Tulisan Tangan Menjadi
Text Digital Ocr ( Optical Character Recognition ) Dengan Menggunakan

33
 Metode Segmentasi Dan Korelasi. Transient,Sistem, 1–5.
https://doi.org/2302-9927
Chakraborty, P., & Mallik, A. (2013). An Open Source Tesseract based Tool for
Extracting Text from Images with Application in Braille Translation for the
Visually Impaired. International Journal of Computer Applications, 68(16),
26–32. https://doi.org/10.5120/11664-7254.
Hidayatullah, Priyanto. 2017. Pengolahan Citra Digital Teori dan Aplikasi
Nyata.Bandung: Penerbit Informatika.

34
 LAMPIRAN-LAMPIRAN

Lampiran 1. Dataset Citra Tulisan Tangan Operasi Matematika

penambahan1.png

penambahan2.png

penambahan3.png

penambahan4.png

A-1
penambahan5.png

pengurangan1.png

pengurangan2.png

pengurangan3.png

A-2
pengurangan4.png

pengurangan5.png

perkalian1.png

perkalian2.png

A-3
perkalian3.png

perkalian4.png

perkalian5.png

pembagian1.png

A-4
pembagian2.png

pembagian3.png

pembagian4.png

pembagian5.png

A-5
Lampiran 2. Cek Plagiasi Turnitin

B-1
Lampiran 3. Riwayat Hidup Penulis

Riwayat Hidup

1. Nama : Hasrul Aswad

2. Jenis Kelamin : Laki-Laki
3. Tempat, : Medan, 18 Februari 1996
Tanggal Lahir
4. Alamat : Jl.Cahaya Gg.Sudi No.3 Medan Sumatera Utara
5. No. Telepon : 081370932849
6. Email : aswadhasrul@gmail.com
7. Riwayat : a. TK Aisyiyah Bustanul Atfal Medan Tahun
Pendidikan 2001
b. SD Muhammadiyah 13 Medan Tahun 2007
c. SMP Negeri 11 Medan Tahun 2010
d. SMK Swasta Teladan Medan Tahun 2013

C-1