SKRIPSI
HALAMAN SAMPUL LUAR
OLEH :
SKRIPSI
OLEH :
Kami yang bertanda tangan di bawah ini, menyatakan bahwa skripsi di bawah ini :
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.
Skripsi Moh. Novi Hermawan ini telah dipertahankan di depan Tim Penguji
Skripsi Fakultas Teknik Universitas Nurul Jadid Paiton Probolinggo, pada :
Hari :………………………
Tanggal :………………………
Mengesahkan :
Dekan,
Tim Penguji :
1. Ketua : ( )
NIDN :
2. Penguji I : ( )
NIDN :
3. Penguji II : ( )
NIDN :
PERNYATAAN
ORISINALITAS SKRIPSI
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,
vii
DAFTAR ISI
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
x
DAFTAR GAMBAR
xi
DAFTAR LAMPIRAN
xii
BAB I
PENDAHULUAN
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.
1.4. 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
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).
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
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 .
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
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.
3.2.3 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)
(c) (d)
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.
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.
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:
15
𝐽𝑢𝑚𝑙𝑎ℎ 𝐷𝑒𝑡𝑒𝑘𝑠𝑖 𝐵𝑒𝑛𝑎𝑟
𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑒 = ( ) 𝑥 100%
𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑜𝑡𝑎𝑙 𝐷𝑒𝑡𝑒𝑘𝑠𝑖
16
BAB IV
HASIL DAN PEMBAHASAN
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.
(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
(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.
(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%
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%
30
Pada tabel 4.2 untuk mendapatkan nilai akurasi deteksi pada Lembar
Jawaban Komputer dilakukan dengan menggunakan rumus sebagai berikut:
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
32
LAMPIRAN
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
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