DETEKSI LEMBAR JAWABAN KOMPUTER

MENGGUNAKAN OMR (OPTICAL MARK RECOGNITION)

DI MTS NURUL IMAN

SKRIPSI
HALAMAN SAMPUL LUAR

OLEH :

MOH. NOVI HERMAWAN

NIM : 17010242

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK UNIVERSITAS NURUL JADID
PAITON PROBOLINGGO
TAHUN 2021
 DETEKSI LEMBAR JAWABAN KOMPUTER
MENGGUNAKAN OMR (OPTICAL MARK RECOGNITION)
DI MTS NURUL IMAN
HALAMAN SAMPUL DALAM

SKRIPSI

DIAJUKAN KEPADA UNIVERSITAS NURUL JADID

PAITON PROBOLINGGO UNTUK MENYELESAIKAN

SALAH SATU PERSYARATAN DALAM MENYELESAIKAN

PROGRAM SARJANA KOMPUTER

OLEH :

MOH. NOVI HERMAWAN

NIM : 17010242

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK UNIVERSITAS NURUL JADID
PAITON PROBOLINGGO
TAHUN 2021
 PERSETUJUAN PEMBIMBING SKRIPSI

Kami yang bertanda tangan di bawah ini, menyatakan bahwa skripsi di bawah ini :

Nama : MOH. NOVI HERMAWAN

NIM : 17010242
Fak/Program Studi : Fakultas Teknik/Teknik Informatika
Judul : DETEKSI LEMBAR JAWABAN KOMPUTER
MENGGUNAKAN OMR (OPTICAL MARK
RECOGNITION) DI MTS NURUL IMAN

Telah memenuhi syarat untuk diajukan dalam Sidang Skripsi Fakultas Teknik
Universitas Nurul Jadid Paiton Probolinggo Tahun Akademik 2020/2021 Genap.
Demikian surat persetujuan ini kami buat dengan sebenar-benarnya, atas
perhatiannya disampaikan terima kasih.

Paiton, Agustus 2021

Pembimbing I, Pembimbing II

MAULIDIANSYAH, M.Kom SUDRIYANTO, M.kom

 PENGESAHAN TIM PENGUJI SKRIPSI

Skripsi Moh. Novi Hermawan ini telah dipertahankan di depan Tim Penguji
Skripsi Fakultas Teknik Universitas Nurul Jadid Paiton Probolinggo, pada :
Hari :………………………
Tanggal :………………………

Mengesahkan :
Dekan,

Kamil Malik, M.Kom

Tim Penguji :

1. Ketua : ( )
NIDN :

2. Penguji I : ( )
NIDN :

3. Penguji II : ( )
NIDN :
 PERNYATAAN
ORISINALITAS SKRIPSI

Saya menyatakan dengan sebenar-benarnya bahwa sepanjang pengetahuan

saya, di dalam Naskah SKRIPSI ini tidak terdapat karya ilmiah yang pernah
diajukan oleh orang lain untuk memperoleh gelar akademik di suatu Perguruan
Tinggi, dan tidak terdapat karya atau pendapat yang pernah ditulis atau diterbitkan
oleh orang lain, kecuali yang secara tertulis dikutip dalam naskah ini dan disebutkan
dalam sumber kutipan dan daftar pustaka.
Apabila ternyata di dalam naskah SKRIPSI ini dapat dibuktikan terdapat
unsur-unsur PLAGIASI, saya bersedia SKRIPSI ini digugurkan dan gelar akademik
yang telah saya peroleh (SARJANA) dibatalkan, serta diproses sesuai dengan
peraturan perundang-undangan yang berlaku. (UU No. 20 Tahun 2003, Pasal 25
ayat 2 dan pasal 70)

Paiton, 10 Agustus 2021

Mahasiswa

MOH. NOVI HERMAWAN

17010242
 ABSTRAK

Moh. Novi Hermawan, 2021, Deteksi Lembar Jawaban Komputer Menggunakan

Omr (Optical Mark Recognition) Di Mts Nurul Iman, Prodi Informatika, fakultas
teknik, Universitas Nurul Jadid, Paiton Probolinggo, Pembimbing: (1)
Maulidiansyah, M.kom (II) Sudriyanto, S.Kom , M,kom.

Kata Kunci : Ujian konvensional, Lembar Jawaban Komputer, OMR (Optical

Mark Recognition)

Ujian konvensional atau ujian manual telah dilaksanakan beberapa dekade

yang lalu dan masih digunakan sampai sekarang. Jenis tes ini menggunakan alat
tulis sebagai media tes, seperti kertas, pensil, pena, dan jawaban tes ditulis tangan.
Salah satu cara untuk menilai keberhasilan proses pengajaran di sekolah adalah
dengan melaksanakan ujian. Dalam pelaksanaan ujian yang ada di MTS Nurul Iman
menggunakan lembar jawaban komputer sebagai isiannya. Sedangkan sekolah
wajib mempunyai alat scanner tertentu yang memiliki harga mahal untuk
mengkoreksi lembar jawaban komputer. Alternatif lain yang bisa dilakukan sekolah
adalah mengoreksi lembar jawaban komputer secara manual, akan tetapi hal
tersebut membuat banyak waktu terbuang, serta bisa menyebabkan kesalahan
dalam mengoreksi dan produkifitas kerja lambat. Dari permasalahan yang telah di
uraikan, untuk mendeteksi lembar jawaban komputer tersebut dibutuhkan suatu
metode. Melalui penelitian ini diharapkan dapat dikembangkan suatu metode yang
secara otomatis mendeteksi pilihan jawaban pada lembar jawaban komputer,
sehingga diperoleh hasil yang lebih akurat dan cepat. Berdasarkan permasalahan
dari penelitian ini maka peneliti menggunakan metode OMR (Optical Mark
Recognition) untuk mendeteksi lembar jawaban komputer secara otomatis dimana
dalam tahapannya juga menggunakan metode canny, threshold, dan contour
sorting. Dari hasil uji coba dapat disimpulkan bahwa tingkat akurasi deteksi lembar
jawaban komputer dengan menggunakan OMR adalah 97%.

vi
 KATA PENGANTAR

Puji syukur kehadirat Allah SWT yang telah memberikan rahmat dan
hidayah-Nya kepada penulis sehingga Tugas Akhir ini bisa terselesaikan. Shalawat
dan salam semoga tetap tercurahkan pada Baginda Rasul Nabi Muhammad SAW
sebagai pembawa rahmat bagi seluruh umat manusia dan alam semesta.
Dalam pengantar ini penulis mengucapkan terima kasih yang tak terhingga
kepada semua pihak yang telah membantu dalam menyelesaikan skripsi ini, berkat
dukungan dan bantuan dari berbagai pihak yang telah memberikan ide, saran,
bimbingan serta motivasi. Sepatutnya ucapan terima kasih penulis kepada:
1. KH Zuhri Zaini, BA, dan seluruh keluarga besar pengasuh Pondok Pesantren
Nurul Jadid paiton probolinggo,
2. Bapak KH. Abd. Hamid Wahid, M.Ag. selaku Rektor Universitas Nurul Jadid
Paiton Probolinggo.
3. Ayah dan Ibu Tercinta yang tiada hentinya memberikan Do’a dan dukungan
kepada penulis untuk menyelesaikan skripsi ini,
4. Bapak Maulidiansyah, M.kom, dan Bapak M. Sudriyanto, M.Kom selaku
pembimbing dalam penulisan Tugas Akhir ini, terima kasih banyak atas
bimbingan dan masukannya.
5. Seluruh dosen Universitas Nurul Jadid fakultas Teknik Informatika yang telah
banyak memberikan ilmunya kepada penulis dan tak lupa kepada segenap
teman-teman, baik teman-teman seangkatan maupun sahabat-sahabatku,

Dan dengan segala kerendahan hati, penyusun menyadari bahwa

kesempurnaan dalam penyusunan Tugas Akhir ini masih jauh dari sempurna
mengingat keterbatasan pengetahuan dan kemampuan yang dimiliki penyusun.
Oleh karena itu, kritik serta saran yang sifatnya membangun sangat penyusun
harapkan sebagai acuan dalam melangkah selanjutnya.
Paiton, Agustus 2021
Penyusun,

MOH. NOVI HERMAWAN

vii
 DAFTAR ISI

HALAMAN SAMPUL ........................................................................................ i

HALAMAN JUDUL ........................................................................................... ii
PERSETUJUAN PEMBIMBING SKRIPSI ................................................... iii
PENGESAHAN TIM PENGUJI ...................................................................... iv
PERNYATAAN ORISINALITAS SKRIPSI ....................................................v
ABSTRAK .......................................................................................................... vi
KATA PENGANTAR ...................................................................................... vii
DAFTAR ISI .................................................................................................... viii
DAFTAR TABEL ................................................................................................x
DAFTARG GAMBAR ...................................................................................... xi
DAFTAR LAMPIRAN ..................................................................................... xii
BAB I PENDAHULUAN ....................................................................................1
1.1. Latar Belakang .....................................................................................1
1.2. Rumusan Masalah .................................................................................2
1.3. Tujuan Penelitian...................................................................................2
1.4. Manfaat..................................................................................................2
1.5. Batasan Masalah ....................................................................................3
BAB II KAJIAN PUSTAKA...............................................................................4
2.1. Penelitian Terkait .................................................................................4
2.2. Landasan Teori ......................................................................................6
2.2.1. Lembar Jawaban Komputer (LJK) ............................................6
2.2.2. Pengolahan Citra Digital ..........................................................7
2.2.3. Python ........................................................................................8
2.2.4. Pycharm .....................................................................................9
2.2.5. OMR (Optical Mark Recognition) ............................................9
2.2.6. OpenCV ...................................................................................10
BAB III METODE PENELITIAN ...................................................................11
3.1. Model Pengembangan .........................................................................11
3.2. Prosedur Penelitian ..............................................................................12
3.2.1. Studi Literatur..........................................................................12

viii
 3.2.2. Pengumpulan Dataset ..............................................................12
3.2.3. Pre-Processing .........................................................................12
3.2.4. Implementasi OMR .................................................................13
3.2.5. Deteksi Pilihan Jawaban ..........................................................15
3.2.6. Uji Coba ..................................................................................15
3.2.7. Penarikan Kesimpulan .............................................................16
BAB IV HASIL DAN PEMBAHASAN ...........................................................17
4.1. Hasil Pengumpulan Data .....................................................................17
4.2. Analisa Data ........................................................................................23
4.2.1. Pre-Processing .........................................................................23
4.2.2. Implementasi OMR .................................................................24
4.2.3. Deteksi Pilihan Jawaban ..........................................................25
4.2.4. Uji Coba ..................................................................................26
4.2.5. Penarikan Kesimpulan .............................................................31
BAB V KESIMPULAN DAN SARAN .............................................................32
5.1. Kesimpulan..........................................................................................32
5.2. Saran ....................................................................................................32
DAFTAR PUSTAKA.........................................................................................32

ix
 DAFTAR TABEL

Tabel 4.1 Hasil Pengumplan Data ..........................................................................17

Tabel 4.2 Hasil Deteksi ..........................................................................................26
Tabel 4.3 Nilai Deteksi Lembar Jawaban Komputer .............................................30

x
 DAFTAR GAMBAR

Gambar 2.1 Lembar Jawaban Komputer .................................................................7

Gambar 2.2 Proses Sederhana Pengolahan Citra .....................................................8
Gambar 2.3 Pycharm ................................................................................................9
Gambar 3.1 Kerangka Penelitian ...........................................................................11
Gambar 3.2 Proses Deteksi Tepi ............................................................................13
Gambar 3.3 Proses Thresholding ...........................................................................14
Gambar 3.4 Contour Sorting ..................................................................................14
Gambar 3.5 Hasil Deteksi Pilihan Jawaban ...........................................................15
Gambar 4.1 Hasil Deteksi Tepi Canny ..................................................................23
Gambar 4.2 Lanjutan Hasil Deteksi Tepi ..............................................................24
Gambar 4.3 Implementasi OMR ............................................................................24
Gambar 4.4 Hasil Deteksi Tepi Objek ...................................................................25
Gambar 4.5 Hasil Deteksi ......................................................................................25

xi
 DAFTAR LAMPIRAN

Lampiran 1 Dataset LJK Isian Penuh ........................................................................... 33

Lampiran 2 Dateset LJK Isian Separuh ........................................................................ 36
Lampiran 3 Dateset LJK Salah Isian ............................................................................ 37
Lampiran 4 Dataset LJK Isian Samar - Samar ............................................................. 38
Lampiran 5 Hasil Deteksi LJK ..................................................................................... 39
Lampiran 6 Hasil Plagiasi......................................................................................................46

xii
 BAB I
PENDAHULUAN

1.1. Latar Belakang

Dalam jurnal (Rosyad, 2019) Sistem pendidikan yang tercantum di dalam
Undang-Undang Nomor 20 tahun 2003 yaitu “pendidikan nasional berfungsi
mengembangkan dan membentuk watak serta peradaban bangsa yang bermartabat
dalam rangka mencerdaskan kehidupan bangsa, bertujuan untuk berkembangnya
potensi pesertadidik agar menjadi manusia yang beriman dan bertaqwa kepada
Tuhan Yang Maha Esa, berahlak mulia, sehat, berilmu, cakap, kreatif, mandiri dan
menjadi warga negara yang demokratis serta bertanggung jawab”. MTS Nurul
Iman adalah salah satu sekolah yang ada di desa Sindetlami Kecamatan Besuk,
menurut bapak Ach. Susanto, S.Pd selaku kepala sekolah MTS Nurul Iman ada
13 mata pelajaran yang di ajarkan ke peserta didik dan prosedur pembelajaran
dilakukan setiap harinya sesuai jadwal pelajaran yang telah ditentukan oleh kepala
sekolah. Selain melakukan kegiatan belajar di MTS Nurul Iman, peserta didik juga
akan beberapa kali melaksanakan ujian untuk melihat kemampuan dan
pemahaman terhadap materi, diantaranya yaitu Ulangan, Ujian Tengah Semester
(UTS) dan Ujian Akhir Semester (UAS).
Ujian konvensional atau ujian manual telah dilaksanakan beberapa dekade
yang lalu dan masih digunakan sampai sekarang. Jenis tes ini menggunakan alat
tulis sebagai media tes, yaitu tes dilakukan dalam bentuk alat tulis umum seperti
kertas, pensil, dan pena. Soal dan jawaban tes ditulis tangan. Salah satu cara untuk
menilai keberhasilan proses pengajaran di sekolah adalah dengan melaksanakan
ujian. Dalam bidang pendidikan, ujian dirancang untuk melihat kinerja siswa,
sehingga siswa dapat memahami tingkat pemahamannya terhadap bidang
pelajaran yang ditempuh. Ujian juga digunakan untuk mengukur dan
mengevaluasi penyampaian mata pelajaran yang diajarkan oleh guru kepada
siswa(Sampebua & Membala, 2018). Dalam pelaksanaan ujian yang ada di MTS
Nurul Iman menggunakan lembar jawaban komputer sebagai isiannya. Sedangkan
sekolah wajib mempunyai alat scanner tertentu yang memiliki harga mahal untuk
mengkoreksi lembar jawaban komputer. Alternatif lain yang bisa dilakukan

1
sekolah adalah mengoreksi lembar jawaban komputer secara manual, akan tetapi
hal tersebut membuat banyak waktu terbuang, serta bisa menyebabkan kesalahan
dalam mengoreksi dan produkifitas kerja lambat.
OMR (Optical Mark Recognition) sendiri merupakan singkatan dari optical
mark recognition, disebut juga optical mark reading, yang artinya pengenalan
tanda optik atau pembacaan tanda optik. OMR(Optical Mark Recognition) adalah
proses menangkap data yang ditandai manusia dari formulir dokumen seperti
kuisioner dan ujian yang menggunakan lembar jawaban komputer. OMR (Optical
Mark Recognition) biasanya membaca tanda pada kuesioner, kertas ulangan
pilihan ganda yang terasrsir berupa garis atau bidang (Idris, 2020). Untuk
medeteksi lembar jawaban komputer dilakukan dengan menggunakan OMR
(Optical Mark Recognition) yang di implementasikan menggunakan bahasa
pemrograman python, sehingga pembahasan pada penelitian ini lebih ditekankan
pada deteksi lembar jawaban komputer untuk menguji tingkat akurasi metode
OMR (Optical Mark Recognition) pada lembar jawaban komputer tersebut.
Berdasarkan permasalahan di atas, dapat diambil solusi bagaimana menciptakan
dan mendeteksi lembar jawaban komputer mengunakan OMR (Optical Mark
Recognition) di MTS Nurul Iman.

1.2. Rumusan Masalah

Rumusan masalah dapat ditentukan berdasarkan latar belakang diatas yaitu
Bagaimana membangun dan mendeteksi lembar jawaban komputer menggunakan
OMR (Optical Mark Recognition) di MTS Nurul Iman ?

1.3. Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk mengetahui hasil deteksi pada lembar
jawaban komputer menggunakan OMR (Optical Mark Recognition).

1.4. Manfaat
Peneliti mengharapkan manfaat dari penelitian ini untuk MTS Nurul Iman
sebagai tempat penelitian dan untuk peneliti sendiri adalah :

2
 a. Peneliti
1) Memperdalam dan meningkatkan kualitas, keterampilan dan
kreativitas pribadi berdasarkan ilmu yang dimiliki.
2) Menerapkan ilmu yang diperoleh selama perkuliahan ke dalam
kegiatan nyata, sehingga dapat memahami konteks antara ilmu
perkuliahan dengan realitas dunia kerja.
3) Memenuhi persyaratan untuk mendapatkan gelar S1 Teknik
Informtika.
b. MTS Nurul Iman
1) Memudahkan dan mempercepat guru dalam melakukan koreksi hasil
ujian peserta didik pada lembar jawaban komputer.
1.5. Batasan Masalah
Peneliti membatasi ruang lingkup masalah dalam beberapa hal, yaitu :
1. Aplikasi dibuat dengan menggunakan python sebagai bahasa
pemrograman dan OpenCV sebagai Library.
2. Menggunakan IDE pycharm.
3. Objek yang digunakan adalah hasil scan lembar jawaban komputer di
MTS Nurul Iman.
4. Informasi yang dihasilkan adalah jumlah jawaban benar.
5. hasil scan lambar jawaban komputer tidak miring dan kualitas bagus.

3
 BAB II
KAJIAN PUSTAKA

2.1 Penelitian Terkait

Untuk mendukung dalam penelitian ini, terdapat beberapa reverensi terkait
sebelumnya yang berkaitan dengan penelitian, beberapa diantara lainnya sebagai
berikut :
Penelitian pertama dilakukan oleh (Kirana et al., 2017) yang berjudul
“Penerapan Metode Canny Dalam Koreksi Lembar Jawaban Komputer Untuk Try
Out” yang melatar belakangi penelitian yaitu Tryout merupakan kegiatan untuk
mensimulasikan ujian nasional, biasanya diadakan di setiap sekolah. Pelaksanaan
kegiatan ujian biasanya dilakukan dengan pengisian lembar jawaban komputer
(LJK). Menggunakan scanner khusus yang harganya cukup mahal untuk
mengkoreksi LJK. Oleh karena itu, banyak sekolah lebih memilih menggunakan
koreksi manual untuk mengurangi pengeluaran sekolah. Koreksi manual semacam
ini membuat waktu koreksi tryout menjadi lebih lama, dan hasil soal ujian siswa
tidak cepat dirilis. Berangkat dari permasalahan yang ada, penelitian ini
merupakan solusi dalam mengkoreksi LJK siswa dengan menggunakan teknologi
image processing dan metode canny.
Penelitian ini bertujuan memberikan solusi untuk membantu sekolah dalam
membangun sebuah sistem yang dapat mengolah data ujian tryout sehingga bisa
digunakan untuk melaksanakan simulasi ujian nasional yang telah dideskripsikan
dengan teknologi image processing dan menggunakan metode canny untuk
mendeteksi tepi objek berbentuk lingkaran.
Metode Canny merupakan metode deteksi tepi terbaik. Hal ini dikarenakan
operator metode canny yang digunakan adalah kernel diferensial Gaussian, yang
dapat menyaring noise pada citra digital. Selain itu, metode canny juga dapat
dikombinasikan dengan metode lain agar hasil deteksi tepi lebih jelas dan halus.
Berdasarkan hasil pengujian sistem yang dibangun dapat disimpulkan bahwa
hasil simulasi ujian siswa telah berhasil dideteksi dalam mendeteksi jawaban,
kode soal, kode peserta, dan jurusan pada gambar di LJK. Hasil ini dapat
dibedakan jawaban benar dan salah sehingga dapat menampilkan nilai dan data
tentang siswa.

4
 Penelitian kedua dilakukan oleh(Nyoto, 2018) dengan judul “Optical Mark
Reading (OMR) Dengan Pencocokan Gambar Menggunakan Metode Fast
Approximate Nearest Neighbors” yang melatar belakangi penelitian tersebut yaitu
Optical Mark Reading(OMR) digunakan sebagai alat dalam membantu guru untuk
melakukan proses penilaian hasil ujian siswa. Dengan adanya komponen sistem
yang tersedia membuat pengembangan sistem OMR bisa dipercepat dan dapat
diimplementasikan serta di evaluasi. Komponen aplikasi dalam penelitian ini
dibuat dengan menggunakan metode Fast Approximate nearest neighbors dari
tetangga terdekat untuk mengkonversi data dari gambar lembar jawaban komputer
(LJK) secara aman berupa pencocokan logo antara gambar yang dikonfigurasi
pada sistem dengan gambar LJK.
Adapun tujuan penelitian yaitu aplikasi yang Mampu memproses gambar
LJK yang terdiri dari lima pilihan dengan posisi yang berbeda. Bulatan pilihan
jawaban dari siswan dapat disimpan oleh aplikasi ini serta dapat diolah.
Berdasarkan hasil uji coba dan analisis pada sistem optical mark reading yang
telah dilaksanakan, dapat diambil kesimpulan bahwa sistem ini mengambil
gambar lembar jawaban komputer dengan empat tanda persegi hitam sebagai
referensi, dan kemiringan tidak melebihi 45 , tingkat keberhasilan konversi data
adalah 100%.
Penelitian ketiga dilakukan oleh(Sinuraya & Hasibuan, 2018) yang berjudul
“Pemeriksa Lembar Jawaban dengan Image Recognition” latar belakang dari
penelitian tersebut adalah guru mengkoreksi lembar jawaban siswa secara berkala
setiap akhir semester. Koreksi ujian yang dilakukan oleh guru masih secara
manual. Dalam hasil survei angket penulis, dapat disimpulkan bahwa guru
menyadari bahwa untuk menyelesaikan koreksi dengan tepat waktu
membutuhkan waktu yang lama dan memakan lebih banyak energi jika dilakukan
secara manual.
Tujuan dari penelitian ini yaitu aplikasi yang dapat mempermudah guru
dalam mengkoreksi lembar jawaban komputer. Teknologi Image Recognition
digunakan untuk mengoreksi lembar jawaban komputer. Melalui aplikasi dengan
metode Image Recognition ini untuk menghitung nilai lembar jawaban komputer,

5
dapat disimpulkan bahwa aplikasi ini dapat membantu guru mengoreksi lembar
jawaban komputer secara efektif dalam segi waktu dan tenaga.
Kesimpulan dari penelitian ini yaitu bahwa Penerapan image recognition
membuat akurasi aplikasi tinggi, sehingga meminimalkan kesalahan koreksi
lembar jawaban komputer. Aplikasi dapat mengoreksi LJK secara real time,
sehingga guru dapat mempercepat proses pemeriksaan. Lembar jawaban
komputer dalam berbagai ukuran bisa diperiksa menggunakan aplikasi ini.
Dari ketiga hasil penelitian diatas terdapat persamaan dan perbedaannya yang
bisa disimpulkan. Persamaan penelitian yang dilakukan sebelumnya dan
penelitian yang sekarang penulis lakukan adalah mendeteksi lembar jawaban
komputer untuk memudahkan dan mempercepat dalam mengoreksi lembar
jawaban komputer. Perbedaannya adalah perangkat yang digunakan dan metode
yang digunakan, peneliti pertama menggunakan metode Canny dan peneliti ketiga
menggunakan Image Recognition serta kedua penelitian tersebut berbasis desktop,
sedangkan peneliti kedua mengimplementasikan pada web dengan menggunakan
metode Fast Approximate Nearest Neighbors. Adapun kelebihan yang ditawarkan
dalam penelitian yang sedang dibangun saat ini adalah mendeteksi jawaban dari
lembar jawaban komputer di MTS Nurul Iman dengan menggunakan OMR
(Optical Mark Recognition).

2.2 Landasan Teori

Landasan teori adalah uraian istilah yang terdapat di dalam penelitian. adapun
teori penelitian antara lain sebagai berikut :

2.2.1 Lembar Jawaban Komputer (LJK)

Lembar Jawaban Komputer (LJK) adalah jenis kertas khusus, biasanya
digunakan untuk input data dan dibaca oleh berbagai perangkat seperti OMR
(Optical Mark Reader) dan DMR (Digital Mark Leader). Mesin pertama
OMR pertama kali ditemukan sekitar tahun 1800-an adalah mesin penilaian
tes IBM 805.
.

6
 Gambar 2.1 Lembar Jawaban Komputer

Menurut Akbar, R.M, dkk pada tahun 2015 mengatakan bahwa Lembar
Jawaban Komputer (LJK) merupakan penemuan terbaru yang dapat
melakukan proses pengecekan hasil ujian menggunakan mesin atau pemindai
OMR dengan cepat. Lembar jawaban komputer biasanya digunakan untuk
ujian pilihan ganda, angket, form pendaftaran dan pendataan. Pengganti input
data manual bisa menggunakan lembar jawaban komputer sehingga dapat
mempercepat pemrosesan data. Kecepatan pemrosesan data juga sangat
tergantung pada kecepatan perangkat lunak pemindai yang digunakan (Lubis
et al., 2020).
2.2.2 Pengolahan Citra Digital
Pengolahan citra digital merupakan bidang studi yang berkaitan dengan
peningkatan kualitas citra (kontras, perubahan warna, restorasi citra),
transformasi citra (translasi, transformasi, rotasi, penskalaan, geometri), dan
pemilihan karakteristik citra. Untuk tujuan analisis, penyimpanan data,
transmisi data, dan waktu pemrosesan data yang sebelumnya dikurangi dan
dikompresi. Diagram skematik dari proses pengolahan citra yang sederhana
ditunjukkan pada gambar di bawah ini.

7
 Gambar 2.2 Proses sederhana pengolahan citra

Pemrosesan gambar dua dimensi dengan menggunakan komputer

secara umum biasa disebut pengolahan citra digital. Sebuah array (larik) yang
memuat nilai-nilai real maupun komplek yang dapat direpresentasikan
dengan deretan bit tertentu merupakan Citra digital.
Suatu citra digital dapat direpresentasikan dengan matriks yang terdiri
dari kolom dan baris, dimana terdapat pixel (piksel) yang artinya pertemuan
antara kolom dan baris, elemen yang terkecil dari citra disebut pixel.
Intensitas atau warna dan koordinat merupakan parameter dari sebuah pixel.
F(x, y) merupakan nilai yaNilai yang terdapat pada koordinat (x,y) adalah
f(x,y), yang merupakan intensitas atau warna piksel pada titik tersebut
(Munantri et al., 2020).
2.2.3 Python
Python merupakan bahasa interpreter atau bahasa scripting yang
artinya hanya perlu menulis sebuah program kemudian langsung
menjalankannya tanpa harus mengkompilasinya terlebih dahulu. Sebagai
interpreter Python, keuntungannya adalah tidak perlu secara eksplisit
mendeklarasikan tipe variabel, apakah itu String atau integer, seperti C/C++,
Java dan bahasa pemrograman compiler lainnya. Karena Python adalah
bahasa pemrograman interpreter, tidak memiliki file biner seperti C/C++,
kita dapat merahasiakan kode sumber dan hanya mendistribusikan file biner
untuk dijalankan. Dalam Python, kode sumber adalah program itu sendiri
yang dapat dijalankan secara langsung. (Listartha et al., 2017)

8
2.2.4 Pycharm
Pycharm adalah Integrated Development Environment (IDE) yang
berfokus pada Bahasa pemograman python dan biasa disebut IDE cross-
platfrom karena bisa digunakan dari berbagai sistem operasi seperti Windows,
Linux, dan Mac. Pycharm di kembangkan oleh jetBrains. Terdapat beberapa
library yang digunakan dengan mengupgrade pip seperti scipy, pillow,
matplotlib dan opencv contrib python .

Gambar 2.2 Pycharm

Untuk melakukan berbagai tujuan pengembangan perangkat lunak dan
dapat berjalan di berbagai sistem operasi karena fitur multi-platfosrmnya,
python dapat digunakan. Biasanya pada sistem operasi Linux, bahasa
pemrograman Python dibakukan untuk dimasukkan dalam paket distribusi.
Seperti bahasa pemrograman dinamis lainnya, python sering digunakan
sebagai bahasa scripting(Thariq & Yusliana, 2021)

2.2.5 OMR (Optical Mark Recognition)

OMR sendiri adalah singkatan dari optical mark recognition, disebut
juga optical mark reading, yang artinya pengenalan tanda optic, atau
pembacaan tanda optic. Proses memindai data yang ditandai manusia dari
dokumen seperti kuesioner dan ujian biasa disebut OMR atau Optical Mark
Recognition. OMR digunakan untuk proses mendeteksi kuesioner, kertas

9
ujian pilihan ganda dalam bentuk bulatan atau area yang terarsir. Aplikasi
OMR dibangun agar memudahkan guru dalam membuat lembar jawaban
komputer untuk ujian soal pilihan dan juga memproses laporan ujian dengan
mendeteksi lembar jawaban(Idris, 2020)

2.2.6 OpenCV
OpenCV merupakan salah satu library yang sering digunakan pada
pengolahan citra computer vision, Application Programming Interface (API)
dimanfaatkan untuk OpenCV dimana memungkinkan komputer dapat melihat
seperti manusia dengan vision tersebut. Komputer dapat membuat keputusan,
mengambil tindakan, dan mengenali objek berdasarkan deteksi yang
dilakukan. OpenCV terdiri dari 5 library yaitu, image processing dan vision
menggunakan Computer Vision (CV) sebagai algoritma, Machine Learning
(ML), HighGUI sebagai GUI, Image dan Video I/O, CXCORE sebagai
struktur data, support XML dan fungsi-fungsi grafis dan CvAux sebagai
penolong OpenCV(Tryatmojo & Maryati, 2019).

10
 BAB III
METODE PENELITIAN

3.1 Model Pengembangan

Model penelitian dalam penelitian ini adalah menghasilkan detaksi lembar
jawaban computer secara otomatis sesuai dengan langkah-langkahnya. Gambaran
kerangka penelitian seperti pada Gambar 3.1. Proses dari penelitian ini meliputi
pengumpulan data LJK, pre-processing, penerapan metode OMR (Optical Mark
Recognition), deteksi jawaban, pengujian, dan penarikan kesimpulan.

Gambar 3.1 Kerangka Penelitin

11
3.2 Prosedur Penelitian
Pada gambar kerangka penelitian diatas dapat dijelaskan langkah yang
dilakukan pada setiap tahapannya. Kerangka penelitian diatas akan dijelaskan
secara rinci sebagai berikut.

3.2.1 Studi Literatur

Untuk membantu dalam penyelesaian penelitian yang saat ini sedang
dilakukan, maka pada tahap ini yaitu melakukan studi literatur terhadap
penelitian-penelitian sebelumnya yang telah dilakukan tentang deteksi lembar
jawaban komputer secara umum dan metode OMR (Optical Mark
Recognition).

3.2.2 Pengumpulan Dataset

Dalam penelitian ini menggunakan 20 hasi scan lembar jawaban
komputer di MTS Nurul Iman dimana 10 lembar jawaban komputer arsiran
penuh, 4 hasil scan lembar jawaban komputer arsiran separuh, 5 hasil scan
lembar jawaban komputer arsiran samar – samar dan 1 hasil scan lembar
jawaban komputer arsiran yang salah.

3.2.3 Pre-Processing
Pada proses pre-processing ini data yang telah dikumpulan dari
tahapan sebelumnya, selanjutnya untuk mempermudah proses implementasi
OMR terlebih dahulu akan diolah. Pada tahap pre-processing proses yang
dilakukan adalah mendeteksi titik tepi obyek menggunakan metode canny.
Sebelum dilakukan deteksi tepi canny terlebih dahulu dilakukan proses
dengan mentransformasi citra asli menjadi citra abu-abu dan selanjutnya
dilakukan proses blur pada citra abu-abu untuk menghilangkan noise pada
citra lembar jawaban komputer.

12
 (a) (b)

Gambar 3.2 Proses Pre-Processing

(a) Citra Asli (b) Citra Grayscale

(c) (d)

Gambar 3.3 Proses Deteksi Tepi

(c) Citra Blur (d) Hasil Deteksi Tepi Canny

3.2.4 Implementasi OMR

Setelah melakukan tahap pre-processing dengan merubah citra asli
menjadi citra abu-abu dan deteksi tepi canny, proses selanjutnya adalah
segmentasi dengan metode threshold. Untuk memisahkan objek dalam suatu

13
citra dari background berdasarkan perbedaan kecerahannya menggunakan
segmentasi. Jadi objek akan berwarna putih pada citra lembar jawaban
komputer serta background akan berwarna hitam. Seperti pada gambar 3.3.

(a) (b)
Gambar 3.4 Proses Thresholding
(a) Hasil Crop (b) Hasil thresholding

Selanjutnya akan dilakukan deteksi tepi objek, output dari deteksi tepi
objek adalah berupa lingkaran yang sudah terdapat tepinya. Contour Sorting
atau Pengurutan kontur lembar jawaban komputer dilakukan dari kiri ke arah
kanan dengan mengurutkan bulatan yang terdapat pada lembar jawaban
komputer.

Gambar 3.5 Contour Sorting

14
3.2.5 Deteksi Pilihan Jawaban
Pada tahap ini proses yang dilakukan adalah mendeteksi jawaban yang
dipilih atau diarsir. Selanjutnya dilakukan deteksi jawaban, cara yang
dilakukan pada proses deteksi jawaban adalah mendeteksi bulatan yang telah
diarsir pada lembar jawaban komputer. Jawaban yang terarsir akan dideteksi
sebagai pilihan yang dipilih. Misalkan jika pilihan B yang terarsir maka akan
dideteksi jawaban tersebut sebagai indeks satu.

Gambar 3.6 Hasil deteksi pilihan jawaban

Hasil dari proses sebelumnya akan dicocokkan dengan file excel yang
telah disimpan sebagai kunci jawaban. Hasil dari pemeriksaan lembar
jawaban komputer selanjutnya dihitung jumlah jawaban yang benar. Dari
proses pencocokan ini akan diketahui pilihan jawaban yang benar dan
nilainya akan ditampilkan pada pojok kanan atas. Untuk mengetahui nilai dari
jawaban yang benar menggunakan rumus sebagai berikut:

𝐽𝑢𝑚𝑙𝑎ℎ 𝐽𝑎𝑤𝑎𝑏𝑎𝑛 𝐵𝑒𝑛𝑎𝑟

𝑁𝑖𝑙𝑎𝑖 = ( ) 𝑥 100%
𝐽𝑢𝑚𝑙𝑎ℎ 𝑆𝑜𝑎𝑙
3.2.6 Uji Coba
Tahap uji coba akan membahas hasil deteksi yang telah dilakukan
terhadap 20 gambar lembar jawaban komputer dimana 10 lembar jawaban
komputer arsiran penuh, 4 lembar jawaban komputer arsiran separuh, 5
lembar jawaban komputer arsiran samar - samar dan 1 citra lembar jawaban
komputer dengan arsiran yang salah, pada pengujian ini akan diperoleh
tingkat presentase akurasi dari pendeteksian lembar jawaban komputer
menggunakan rumus seperti dibawah ini :

15
 𝐽𝑢𝑚𝑙𝑎ℎ 𝐷𝑒𝑡𝑒𝑘𝑠𝑖 𝐵𝑒𝑛𝑎𝑟
𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑒 = ( ) 𝑥 100%
𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑜𝑡𝑎𝑙 𝐷𝑒𝑡𝑒𝑘𝑠𝑖

Pengujian yang dilakukan berfokus pada metode OMR (Optical Mark

Recognition) yang oleh peneliti diuji coba sendiri menggunakan python. Dari
pengujian ini akan diketahui metode OMR yang digunakan berhasil atau
tidak.

3.2.7 Penarikan Kesimpulan

Pada tahapan terakhir, kesimpulan dalam menggunakan metode OMR
(Optical Mark Recognition) bisa di ambil dari tingkat akurasi deteksi lembar
jawaban komputer yang di uji coba oleh sistem, serta penarikan kesimpulan
bisa berguna bagi peneliti lain untuk mengembangkan penelitian tersebut
dengan menggunakan metode lain agar memiliki tingkat akurasi yang lebih
baik.

16
 BAB IV
HASIL DAN PEMBAHASAN

4.1 Hasil Pengumpulan Data

Dalam penelitian ini menggunakan 20 data hasil scan lembar jawaban
komputer di MTS Nurul Iman dimana 10 lembar jawaban komputer arsiran penuh,
4 hasil scan lembar jawaban komputer arsiran separuh, 5 hasil scan lembar
jawaban komputer arsiran samar – samar dan 1 hasil scan lembar jawaban
komputer arsiran yang salah. Contoh citra dataset yang digunakan ditunjukkan
pada tabel 4.1.
Tabel 4.1 Dataset citra LJK
No. Nama Keterangan Citra

LJK isian
1 Ljk_penuh_1.jpg
penuh

LJK isian
2 Ljk_penuh_2.jpg penuh

17
 LJK isian
3 Ljk_penuh_3.jpg penuh

LJK isian
4 Ljk_penuh_4.jpg penuh

LJK isian
5 Ljk_penuh_5.jpg penuh

LJK isian
6 Ljk_penuh_6.jpg penuh

18
 LJK isian
7 Ljk_penuh_7.jpg penuh

LJK isian
8 Ljk_penuh_8.jpg
penuh

LJK isian
9 Ljk_penuh_9.jpg
penuh

LJK isian
10 Ljk_penuh_10.jpg
penuh

19
 LJK isian
11 Ljk_separuh_1.jpg
separuh

LJK isian
12 Ljk_separuh_2.jpg separuh

LJK isian
13 Ljk_separuh_3.jpg separuh

LJK isian
14 Ljk_separuh_4.jpg separuh

20
 LJK isian
15 Ljk_samar_1.jpg
samar

LJK isian
16 Ljk_samar_2.jpg
samar

LJK isian
17 Ljk_samar_3.jpg
samar

LJK isian
18 Ljk_samar_4.jpg
samar

21
 LJK isian
19 Ljk_samar_5.jpg
samar

LJK isian
20 Ljk_salah_1.jpg
salah

Pengujian akan dilakukan pada citra secara individu dengan citra lembar
jawaban komputer arsiran penuh, citra lembar jawaban komputer arsiran separuh,
citra lembar jawaban komputer arsiran samar – samar dan citra lembar jawaban
komputer arsiran yang salah. Skenario pengujian yang akan peneliti lakukan
adalah sebagai berikut:
1. Pengujian lembar jawaban komputer dengan arsiran penuh
Pada proses ini dilakukan pengujian klasifikasi individu berdasarkan
lembar jawaban komputer dengan arsiran penuh yang akan di uji adalah
10 citra dataset.
2. Pengujian lembar jawaban komputer dengan arsiran separuh
Pada proses ini dilakukan pengujian klasifikasi individu berdasarkan
lembar jawaban komputer dengan arsiran separuh yang akan diuji adalah
4 citra datset.
3. Pengujian lembar jawaban komputer dengan arsiran samar
Pada proses ini dilakukan pengujian klasifikasi individu berdasarkan
lembar jawaban komputer dengan arsiran samar yang akan di uji adalah 5
citra dataset.

22
 4. Pengujian lembar jawaban komputer dengan arsiran salah
Pada proses ini dilakukan pengujian klasifikasi individu berdasarkan
lembar jawaban komputer dengan arsiran salah yang akan di uji adaah 1
citra hasil scan lembar jawaban komputer. Lembar jawaban komputer
hanya akan diisi beberapa arsiran penuh dan tanpa arsiran.

4.1 Analisis Data

Pada analisa data ini akan diperlihatkan hasil uji dataset yang telah dilakukan
mulai dari proses input citra, pre-processing, implementasi metode OMR (Optical
Mark Recognition) dan deteksi pilihan jawaban.
4.1.1. Pre-Processing
Pada proses pre-processing ini data yang telah dikumpulan dari
tahapan sebelumnya, selanjutnya untuk mempermudah proses implementasi
OMR terlebih dahulu akan diolah. Pada tahap pre-processing proses yang
dilakukan adalah mendeteksi titik tepi obyek menggunakan metode canny.
Sebelum dilakukan deteksi tepi canny terlebih dahulu dilakukan proses
dengan mentransformasi citra asli menjadi citra abu-abu dan selanjutnya
dilakukan proses bluring pada citra grayscale untuk menghilangkan noise
pada citra lembar jawaban komputer. Pemrosesan selanjutnya adalah proses
deteksi tepi canny, kemudian dilakukan proses croping untuk mendapatkan
citra dari isian bulatan lembar jawaban komputer. Hasil deteksi tepi canny
dan proses croping untuk lembar jawaban komputer yang sudah dilakukan
ditunjukkan pada gambar 4.1.

(a) (b)
Gambar 4.1 Hasil deteksi tepi canny
(a) Citra gray (b) Citra Blur

23
 (c) (d)
Gambar 4.2 Lanjutan Hasil deteksi tepi
(c) Canny (d) Hasil croping

4.1.2. Implementasi OMR

Setelah melakukan tahap sebelumnya dengan merubah citra asli
menjadi citra abu-abu dan deteksi tepi canny, proses selanjutnya adalah
segmentasi dengan metode threshold. Untuk memisahkan objek dalam suatu
citra dari background berdasarkan perbedaan kecerahannya menggunakan
segmentasi. Jadi objek berwarna putih pada citra lembar jawaban komputer
serta background berwarna hitam. Hasil segmentasi metode thresholding
lembar jawaban komputer yang sudah dilakukan ditunjukkan pada gambar
4.2.

(a)

(b)
Gambar 4.3 Implementasi OMR
(a) Hasil Croping (b) Hasil Threshold

24
 Selanjutnya akan dilakukan deteksi tepi objek, output dari deteksi tepi
objek adalah berupa lingkaran yang sudah terdapat tepinya. Contour Sorting
atau Pengurutan kontur lembar jawaban komputer dilakukan dari kiri ke arah
kanan dengan mengurutkan bulatan yang terdapat pada lembar jawaban
komputer. Hasil deteksi contour lembar jawaban komputer yang sudah
dilakukan ditunjukkan pada gambar 4.4.

Gambar 4.4 Hasil deteksi tepi objek

4.1.3. Deteksi Pilihan Jawaban

Pada tahap ini proses yang dilakukan adalah mendeteksi jawaban yang
dipilih atau diarsir. Selanjutnya dilakukan deteksi jawaban, cara untuk deteksi
jawaban adalah mendeteksi bulatan yang telah diarsir pada lembar jawaban
komputer. Jawaban yang terarsir akan dideteksi sebagai pilihan yang dipilih.
Misalkan jika pilihan B yang terarsir maka akan dideteksi jawaban tersebut
sebagai indeks satu.

(a) (b)
Gambar 4.5 Hasil deteksi (a) Kunci jawaban
(b) deteksi pilihan jawaban

25
 Hasil dari proses sebelumnya akan dicocokkan dengan file excel yang
telah disimpan sebagai kunci jawaban. Hasil dari pemeriksaan lembar
jawaban komputer selanjutnya dihitung jumlah jawaban yang benar. Dari
proses pencocokan ini akan diketahui pilihan jawaban yang benar dan
nilainya akan ditampilkan pada pojok kanan atas. Contoh perhitungan
jawaban yang terdeteksi benar sebagai berikut :
𝐽𝑢𝑚𝑙𝑎ℎ 𝐽𝑎𝑤𝑎𝑏𝑎𝑛 𝐵𝑒𝑛𝑎𝑟
𝑁𝑖𝑙𝑎𝑖 = ( ) 𝑥 100%
𝐽𝑢𝑚𝑙𝑎ℎ 𝑆𝑜𝑎𝑙
11
=( ) 𝑥 100% = 22%
50
4.1.4. Uji Coba
Tahap uji coba akan membahas hasil deteksi yang telah dilakukan
terhadap 20 citra hasil scan lembar jawaban komputer dimana 10 lembar
jawaban komputer arsiran penuh, 4 lembar jawaban komputer arsiran
separuh, 5 lembar jawaban komputer arsiran samar - samar dan 1 citra lembar
jawaban komputer dengan arsiran yang salah. Adapun hasil uji deteksi lembar
jawaban komputer ditunjukkan pada Tabel 4.1.
Tabel 4.1 Hasil deteksi
No. Nama Hasil deteksi pilihan jawaban Hasil

1 Ljk_penuh_1.jpg 100%

2 Ljk_penuh_2.jpg 100%

3 Ljk_penuh_3.jpg 100%

26
4 Ljk_penuh_4.jpg 100%

5 Ljk_penuh_5.jpg 96%

6 Ljk_penuh_6.jpg 96%

7 Ljk_penuh_7.jpg 96%

8 Ljk_penuh_8.jpg 98%

9 Ljk_penuh_9.jpg 98%

27
10 Ljk_penuh_10.jpg 100%

11 Ljk_separuh_1.jpg 96%

12 Ljk_separuh_2.jpg 90%

13 Ljk_separuh_3.jpg 98%

14 Ljk_separuh_4.jpg 98%

15 Ljk_samar_1.jpg 98%

28
 16 Ljk_samar_2.jpg 94%

17 Ljk_samar_3.jpg 98%

18 Ljk_samar_4.jpg 100%

19 Ljk_samar_5.jpg 96%

20 Ljk_salah.jpg 88%

Rata – Rata Deteksi

=(1940/20)% 97%
Benar

Presentase deteksi lembar jawaban komputer ini dilakukan dengan cara

mencocokkan pilihan yang dipilih dan kunci jawaban yang tersimpan pada
file excel.

29
 Tabel 4.2 Nilai Deteksi Lembar Jawaban Komputer
Deteksi Deteksi Total
No. Data Citra Akurasi
Benar Salah Soal
1 Ljk_penuh_1.jpg 50 0 50 100%

2 Ljk_penuh_2.jpg 50 0 50 100%

3 Ljk_penuh_3.jpg 50 0 50 100%

4 Ljk_penuh_4.jpg 50 0 50 100%

5 Ljk_penuh_5.jpg 48 2 50 96%

6 Ljk_penuh_6.jpg 48 2 50 96%

7 Ljk_penuh_7.jpg 48 2 50 96%

8 Ljk_penuh_8.jpg 49 1 50 98%

9 Ljk_penuh_9.jpg 49 1 50 98%

10 Ljk_penuh_10.jpg 50 0 50 100%

11 Ljk_separuh_1.jpg 48 2 50 96%

12 Ljk_separuh_2.jpg 45 5 50 90%

13 Ljk_separuh_3.jpg 49 1 50 98%

14 Ljk_separuh_4.jpg 49 1 50 98%

15 Ljk_samar_1.jpg 49 1 50 98%

16 Ljk_samar_2.jpg 47 3 50 94%

17 Ljk_samar_3.jpg 49 1 50 98%

18 Ljk_samar_4.jpg 50 0 50 100%

19 Ljk_samar_5.jpg 48 2 50 96%

20 Ljk_salah.jpg 44 6 50 88%

Total 970 32 1000 97%

30
 Pada tabel 4.2 untuk mendapatkan nilai akurasi deteksi pada Lembar
Jawaban Komputer dilakukan dengan menggunakan rumus sebagai berikut:

𝐽𝑢𝑚𝑙𝑎ℎ 𝐷𝑒𝑡𝑒𝑘𝑠𝑖 𝐵𝑒𝑛𝑎𝑟 970

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = ( ) 100% = ( ) 100% = 97%
𝐽𝑢𝑚𝑎𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑠𝑜𝑎𝑙 1000

4.1.5. Penarikan Kesimpulan

Adapun hasil deteksi yang dilakukan dengan 20 data uji yaitu deteksi
citra lembar jawaban komputer dengan arsiran penuh, uji coba citra lembar
jawaban komputer dengan arsiran separuh, uji coba citra lembar jawaban
komputer dengan arsiran samar – samar dan uji coba citra lembar jawaban
komputer dengan arsiran yang salah.
Pada tahap uji coba 20 lembar jawaban komputer sebagai dataset yang
dilakukan mendapatkan hasil dengan tingkat akurasi untuk data uji lembar
jawaban komputer arsiran penuh, untuk data uji lembar jawaban komputer
arsiran separuh, untuk data uji lembar jawaban komputer arsiran samar –
samar dan untuk data uji lembar jawaban komputer arsiran yang salah total
adalah 97%.

31
 BAB V
KESIMPULAN DAN SARAN

5.1 Kesimpulan
Berdasarkan penelitian yang telah peneliti dilakukan dari 20 dataset uji coba
menggunakan aplikasi dengan metode OMR (Optical Mark Recognition) dapat
disimpulkan bahwa dengan 10 data uji lembar jawaban komputer isian penuh, 4
data uji lembar jawaban komputer isian separuh, 5 data uji lembar jawaban
komputer isian samar – samar dan 1 data uji lembar jawaban komputer dengan
kesalahan pengisian. Mengunakan bebarapa tahapan serta menghasilkan nilai
akurasi deteksi lembar jawaban komputer di MTS Nurul Iman dengan tingkat
akurasi 97%.

5.2 Saran
Berdasarkan penelitian yang telah dilaksanakan oleh peneliti, adapun saran
untuk menyempurnakan penelitian dan aplikasi yang dibuat sebagai berikut:
1. Aplikasi deteksi lembar jawaban dapat di kembangkan dengan
mengunakan metode lain. Agar memiliki akurasi yang lebih tinggi dan
hasil deteksi yang bagus.
2. Untuk meningkatkan akurasi proses deteksi lembar jawaban komputer
perlu ditambahkan algoritma yang lebih kompleks sehingga dapat
mendeteksi lembar jawaban komputer secara realtime menggunakan
kamera.
3. Deteksi lembar jawaban komputer dapat dikembangkan dengan
menggunakan android. Agar memudahkan dalam pengambilan gambar.

32
 DAFTAR PUSTAKA

Idris, S. (2020). Diklat Optical Mark Recognition Evaluator Sebagai Media

Peningkatan Efisiensi Guru Dalam Pemeriksaan Dan Analisis Hasil Ulangan
Siswa Di Al-Fajar Academy Mataram Tahun 2020. 2, 76–79.
Kirana, M. C., Erminawati, E., Informatika, J. T., Batam, P. N., & Suryaningsih, F.
(2017). Penerapan Metode Canny Dalam Koreksi Lembar I-9 I-10. 9(2012),
9–14.
Listartha, I. M. E., Apriyana, K. F., Pramartha, I. G. W., & Putra, I. G. K. K. (2017).
IoT - Parking Lot Detection Based on Image Processing. Jurnal Sistem Dan
Informatika, 12(1), 168–176. https://jsi.stikom-
bali.ac.id/index.php/jsi/article/view/137/81
Lubis, E. L. S., Lubis, R. R., Sari, B. P., & Meilisa. (2020). PELATIHAN
PENGISIAN LEMBAR JAWABAN KOMPUTER (LJK) BAGI SISWA KELAS
VI SD NEGERI 050718 CEMPA. 1(2), 28–33.
Munantri, N. Z., Sofyan, H., & Florestiyanto, M. Y. (2020). Aplikasi Pengolahan
Citra Digital Untuk Identifikasi Umur Pohon. Telematika, 16(2), 97.
https://doi.org/10.31315/telematika.v16i2.3183
Nyoto, R. D. (2018). Optical Mark Reading ( OMR ) Dengan Pencocokan Gambar
Menggunakan Metode Fast Approximate Nearest Neighbors Edy Tanto , Arif
Bijaksana Putra Negara ,. 444–450.
Rosyad, A. miftakhu. (2019). Implementasi Pendidikan Karakter melalui Kegiatan
Pembelajaran di Lingkungan Sekolah.
http://www.jurnal.uinbanten.ac.id/index.php/tarbawi/article/view/2074/1760
Sampebua, M. R., & Membala, S. B. (2018). Penerapan Aplikasi Ujian Berbasis
Komputer Untuk Meningkatkan Kualitas Pendidikan Pada Smp. Jurnal
Pengabdian Papua, 2(1), 24–31.
Sinuraya, D. A., & Hasibuan, M. S. (2018). Pemeriksa Lembar Jawaban dengan
Image Recognition Checking the Answer Sheet with Image Recognition. 2(1),
1–8.
Thariq, A., & Yusliana, R. (2021). Sistem Deteksi Masker dengan Metode Haar
Cascade pada Era New Normal COVID-19 Mask Detection System using
Haar Cascade Method in New Normal Era of COVID-19. 9(2), 241–244.
https://doi.org/10.26418/justin.v9i2.44309
Tryatmojo, B., & Maryati, R. I. S. (2019). Akurasi Sistem Face Recognition
OpenCV Menggunakan Raspberry Pi Dengan Metode Haar Cascade. Jurnal
Ilmiah Informatika (JIF), 7(2), 92–98.

32
 LAMPIRAN

Lampiran 1. Dataset LJK Isian Penuh

33
34
35
Lampiran 2 Dataset LJK Isian Separuh

36
Lampiran 3 Dataset LJK salah isian

37
Lampiran 4 Dataset LJK Isian Samar – Samar

38
Lampiran 5 Hasil Deteksi LJK

39
40
41
42
43
44
45
Lampiran 6 Hasil Plagiasi

46
 DAFTAR RIWAYAT HIDUP

Moh. Novi Hermawan lahir di Kabupaten

Probolinggo, Provinsi Jawa Timur, Pada
tanggal 01 November 1996. Penulis lahir dari
pasangan Armo dan Simpi dan merupakan
anak bungsu dari 3 bersaundara yakni
Supatmi Sulistya, Adi Ramli dan Moh. Novi
Hermawan.

Pada tahun 2002 penulis masuk Madrasah

Ibtidaiyah (MI) Nurul Iman Sindetlami -
Besuk, Kabupaten Probolinggo dan lulus pada
tahun 2008. Kemudian melanjutkan Sekolah
Tingkat Pertama (SMP) pada tahun yang sama di SMP Negeri 1 Besuk dan lulus
tiga tahun kemudian pada tahun 2011. Selajutnya masuk pada Sekolah Menengah
Atas di MAN 1 Karanganyar Paiton dan lulus pada tahun 2014. Kemudian
melanjutkan ke jenjang Diploma Satu (D1) di Politeknik Elektronika Negeri
Surabaya dan lulus pada tahun 2015.

Pada tahun 2017 penulis diterima menjadi mahasiswa Jurusan Teknik Informatika
Fakultas Teknik Universitas Nurul Jadid Melalui jalur masuk Reguler. Pada bulan
April tahun 2020 sampai bulan Juni tahun 2020 mengikuti Kuliah Kerja Nyata
(KKN) di Kanwil Kemenag Jatim, Kota Surabaya, Provinsi Jawa Timur kemudian
pada bulan Desember tahun 2020 sampai bulan Januari tahun 2021 mengikuti
Praktek Kerja Lapangan (PKL) di Kampus Fakultas Teknik Universitas Nurul
Jadid, Kabupaten Probolinggo, Provinsi Jawa Timur.

Pada tanggal .... bulan .......... tahun ......... penulis dinyatakan LULUS dan berhak
menyandang gelar Sarjana Komputer melalui Ujian Skripsi Jurusan Teknik
Informatika Fakultas Teknik Universitas Nurul Jadid dengan Judul Skripsi “Deteksi
Lembar Jawaban Komputer Menggunakan Optical Mark Recognition(OMR) Di
MTS Nurul Iman”

47