Syntax Literate: Jurnal Ilmiah Indonesia p–ISSN: 2541-0849 e-ISSN:
2548-1398
Vol. 9, No. 4, April 2024
UNJUK
KERJA PENDETEKSIAN DHAMIR RAF’A MUNFASIL PADA CITRA AL-QUR’AN DENGAN PENGGABUNGAN
ALGORITMA ADABOOST DAN TRANFORMASI SLANT
Juanda Nargaza1*,
Yuwaldi Away2, Fitri Arnia3
Universitas Syiah Kuala, Banda
Aceh, Aceh, Indonesia1,2,3
Email: [email protected]*
Abstrak
Dalam
penelitian ini pendeteksian Pola karakter Dhamir Raf’a Munfasil (DRM) pada
citra Al-Qur’an menggunakan metode
Transformasi Slant, Adaboosting dan gabungan Slant - Adaboosting yang kemudian di ukur unjuk kerja
pendeteksian DRM pada setiap metode.
Hasil penelitian menunjukkan bahwa sistem pendeteksian pola Dhamir Raf’a
Munfasil pada citra Al-Qur’an menggunakan Transformasi Slant memiliki prescision sebesar 50% dan Recall
90%. Dengan menggunakan Algoritma Adaboosting memiliki prescision sebesar 71% dan
Recall 92%. dengan menggunakan gabungan Algoritma tersebut Slant-Adaboost
memiliki prescision sebesa 86% dan Recall 93%. Dari hasil perbandingan antara
Adaboost dan Gabungan Slant-Adaboost, Slant-Adaboost memiliki tingkat akurasi
lebih baik dari pada Adaboost sendiri.
Kata kunci: Transformasi
Slant, Adaboost, Dhamir Raf’a Munfasil, Pengenalan Pola karakter
Abstract
In this study, the detection of Dhamir Raf'a Munfasil (DRM) character patterns
in the Al-Qur'an image used the Slant Transformation, Adaboosting and Slant -
Adaboosting combination methods which then measured the DRM detection
performance of each method. The results showed that the detection system of the
Dhamir Raf'a Munfasil pattern on the Al-Qur'an image using the Slant
Transformation had a prescision of 50% and a recall of 90%. By using the
Adaboosting Algorithm it has a prescision of 71% and a Recall of 92%. when
using the combined Slant-Adaboost Algorithm it has a prescision of 86% and a
recall of 93%. From the comparison between Adaboost and the Combined
Slant-adaboost, Slant-Adaboost has a better accuracy rate than Adaboost.
Keywords: Slant
Transformation, Adaboost, Dhamir Raf'a Munfasil, Character Pattern Recognition
Pendahuluan
Pengolahan citra adalah
suatu ilmu Informatika yang mempelajari mengenai banyak pemprosesan citra dengan
cabang ilmu Informatika lainnya seperti Artificial Intelligence maupun machine
learning (Fadlisyah,
2016; Maryana & Fauzi, 2023). Pengenalan pola salah satu ilmu
pengolahan Citra yang digunakan untuk
mengklasifikasikan sesuatu berdasarkan pengukuran kuantitatif fitur
(ciri) maupun sifat utama pada suatu objek yang dikemukakan oleh Gonzalez dan Woods (2009). Pada
saat ini perkembangan penelitian mengenai pengenalan pola mengalami perkembangan yang sangat
signifikan, baik pada naskah kuno, manuskrip dan Bahasa Arab pada Al-qur’an (Jamalie,
2022; Wahab, 2019).
Pada
penelitian ini penulis termotivasi pada Bahasa Arab yang menjadi satu satunya
bahasa yang digunakan dalam kitab
Al-Qur’an yang merupakan kitab
suci umat Islam seperti
yang ditunjukan oleh Arshad
(2010).
Dalam Al-Qur’an terdapat Ribuan
karakter Bahasa Arab yang dapat dieksploitasi dan dipahami secara mendalam
dengan bantuan Ilmu tajwid, Nahwu dan Saraf (Agustono,
2018).
Bahasa Arab pada tingkat kelanjutannya dipelajari
sampai tingkat tasrif (ilmu Nahwu) Pola Karakter tasrif tersebut meliputi fiil (kata kerja) isim
(kata benda) dan harf (kata tugas)
(Amrullah, 2021; Syarif, 2016). Dalam ilmu Nahwu Dhamir
Rafa Munfasil (DRM) adalah awal dari Ilmu Nahwu yang pada penelitian ini
setiap karakter DRM disebut sebagai pola yang
menjadi konsentrasi pengenalan pola pada penelitian ini (Rizal,
2011).
Perumusan masalah
yang ada pada
penelitian ini meliputi perlunya pendeteksian pola karakter DRM pada citra Al-Qur’an
digital untuk mengetahui mana saja pola-pola DRM yang
ada dalam citra Al-Qur’an Digital
(Azizah,
2013).
Untuk mendapatkan hasil
unjuk kerja pendeteksian
perlu menerapkan Algoritma Adaboost dan Algoritma Transformasi
Slant (Rasheed,
2011), Pada tahap
selanjutnya diperlukan juga hasil yang lebih baik dengan penggabungan kedua
Algoritma Transformasi Slant-Adaboost dalam proses pendeteksian DRM.
Transformasi Slant
adalah metode yang dapat dipakai untuk menyelesaikan berbagai permasalahan pada
citra dan pengenalan pola (Fukushima
et al., 1983; Siahaan & Sianipar, 2018). Pola yang dimaksud dalam penelitian ini dapat
berupa sebuah
simbol, karakter,
atau bentuk ciri-ciri lain yang dapat dipakai untuk dijadikan kode pengenalan
dan pengujian seperti sidik
jari, deteksi retina, deteksi wajah, deteksi pola karakter.
Untuk
mendukung ekstraksi fitur dalam pendeteksian
maka sebuah sistem memerlukan sebuah komputasi, metode atau Algoritma
pada desain yang akan dibangun, sebuah Algoritma harus memiliki kateria hemat
kosumsi memori dan efesiensi dalam komputasi yang berpengaruh pada kinerja
Algoritma dan pengenalan nantinya. Pada sistem pendeteksian pola DRM parameter
yang digunakan adalah true detection dan false detection. Komputasi yang dikembangkan
adalah sistem komputasi pendeteksian pola karakter yang bekerja dengan
sistem pelatihan dan pengujian.
Tujuan
penelitian ini untuk mendapatkan rancangan Algoritma baru yang dapat mendeteksi
14 pola DRM, Serta
melakukan perbandingan Adaboosting dengan Slant-Adabost untuk
mendeteksi 14 pola DRM.
penelitian ini juga bertujuan untuk melihat keakuratan pendeteksian Transformasi
Slant , Adaboosting, dan
penggabungan Transformasi Slant-Adaboost.
Metode Penelitian
Tahap Penelitian
Tahapan ini tata cara penelitian dilakukan dengan melakukan studi literatur, studi pustaka dan konsultasi dengan pembimbing mengenai metode
yang digunakan.
Pengumpulan Sample
data
Pada penelitian ini Data latih dan data yang diuji bersumber dari Al-Qur’an
digital zaman Khalifah Usmani.
Sampel pelatihan
Gambar 1. Contoh sampel citra Al-Qur’an yang digunakan sebagai pelatihan.
Untuk melakukan pelatihan sampel yang
digunakan berupa citra Al-Qur’an digital dari baris 1 sampai
dengan baris 15 setiap lembarnya dengan total 150 baris ayat yang diuji. Berikut ontoh sampel seperti pada Gambar 1 Sampel citra Al-Qur’an
Pelatihan dilakukan menggunakan Algoritma Transformasi
Slant dan Algoritma Algoritma
Adabossting serta Algoritma
Slant-Adabooting.
Sampel yang diambil nantinya akan diimput kedalam sistem yang telah dibangun dan dilakukan tahapan proses
grayscale, resize serta konvolusi sebelum digunakan.
Uji Coba Sistem
Pengujian merupakan tahap akhir dari desain sistem
yang telah dibangun setelah sistem selesai, setelah tahapan pelatihan DRM
dilakukan selanjutnya dilakukan proses pengujian untuk mengetahui parameter
dari setiap Algoritma yang dibangun. Pengukuran unjuk kerja sistem pendeteksian
pola pada umumnya menggunakan dua parameter yaitu true detection dan false detection yang akan diterapkan pada pola karakter
DRM nantinya. Parameter yang sering digunakan adalah Presision dan recall dengan rumus
perhitungan parameter sebagai berikut.
Tabel 1. Uji Coba Sistem
|
Nilai prediksi |
Nilai sebenarnya |
||
|
|
True |
False |
|
|
True |
TP |
FP |
|
|
False |
FN |
TN |
|
Presision = 
3.2
3.3
Di mana TP (True Positif) iyalah hasil koreksi yang benar positif, FP (False Positif) iyalah hasil positif palsu yang tidak diharapkan dan FN (False Negative) iyalah negative palsu yang hilang, TN (true Negative) iyalah benar negative tidak adanya
hasil benar.
pada prameter True detection merupakan presentase jumlah pola DRM
yang berhasil dideteksi dari seluruh jumlah DRM
yang diuji, sedangkan false detection adalah presentase jumlah
Ayat bukan pola DRM yang gagal dideteksi oleh sistem.
Hasil dan Pembahasan
Hasil yang akan dibahas
meliputi pendeteksian 14 sample DRM. Hasil merupakan citra Al-Qur’an digital
untuk mendeteksi pola DRM yang telah dibloking berdasarkan 14 sensitivitas
citra DRM, untuk melihat unjuk kerja pendeteksian Algoritma tersebut dan
mendapatkan hasil gabungan Algoritma baru Slant-Adabooting dalam keakurasiannya
maka digunakan dua parameter True
detection dan false detection. untuk melakukan
perbandingan antara Adaboost dengan Slant-Adaboost diukur menggunakan Presicion
dan Recall.
Pola DRM yang dilatih dan diuji
Pola
pola Dhamir Rafa Munfasil (DRM) terdiri atas 14 huruf Dhamir, dari 14 DRM
tersebut hanya 12 Sampel pelatihan pola DRM yang digunakan dalam penelitian ini
yang mewakili pola karakter yang
berbeda. Gambar 4.2 melampirkan 14
sampel pola huruf DRM yang digunakan sebagai pelatihan.
هو, هما, هم,
هي, هما , هنّ , أنت, أنتما , أنتم, أنتِ, أنتما , أنتنَّ, أنا , نحن
Gambar 4.1 Sampel
Pelatihan pola DRM yang digunakan
Pada setiap pola DRM yang dideteksi
masing masing memiliki karakter dan ciri yang berbeda dari 14 DRM yang
didipelajari dalam ilmu Nahwu hanya 12 DRM yang dikenal dalam bahasa Arab
yaitu هُوَ (hua), هُمَا(huma), هُمْ(hum), هِيَ(hiya), هُنَّ(hunna), أَنْتَ(Anta),
أَنْتُمْ(antuma), أَنْتِ(anti), أَنْتُمَا(antuma, أَنْتُنَّ(antunna), أَنَا(ana),
نَحْنُ(nahnu), sedangkan أنْتُمَا dan هُمَا kedua pola tersebut
memiliki maksud dan arti yang sama. Sehingga untuk pengenalan polanya hanya 12
DRM yang dapat dideteksi dan dikenal berdasarkan kaidah bahasa Arab yang ada
dalam Alqur’an.
Hasil
deteksi
Hasil deteksi adalah 14 dhamir rafa
munfasil pada citra Al-quran, 14 dhamir tersebut meliputi , هو (menyatakan
dia serorang laki), هما (menyatakan
dua orang laki-laki), هم(menyatakan
dia laki-laki lebih dari tiga), هي
(menyatakan dia seorang perempuan), هما (menyatakan
dia dua orang perempuan), هنّ
menyatakan mereka perempuan lebih dari tiga), أنت (kamu seorang lai laki), أنتما
(kamu dua orang laki-laki), أنتم
(kamu tiga laki-laki lebih), أنتِ
(kamu seorang perempuan), أنتما
(menyatakan kamu dua orang perempuan), أنتنَّ
(menyatakan kalian perempuan lebih dari tiga orang), أنا (menyatakan saya sendiri), نحن
(menyatakan kami) . hasil deteksi yang berhasil akan terbloking pola
karakter DRM dengan warna berbeda.
Rancangan Algoritma
Gabungan
Hasil gabungan
Transformasi Slant dan Adabooting Mendapatkan Algoritma baru untuk mendeteksi
14 pola karakter DRM berdasarkan 14 warna berbeda. Dengan menggabungkan metode
Adaboot dengan Transformasi Slant maka hasil akhirnya Algoritma baru akan
mengelurkan hasil yang lebih baik.
Melihat akurasi
Algoritma Gabungan
Pada tahapan ini Algoritma
baru akan diuji keakurasiannya dalam mendeteksi 14 pola karakter DRM berdasrkan
warna berbeda.
Melakukan perbandingan
metode Adabost dan Gabungan Slant-Adaboost.
Untuk
mengetahui hasil Algoritma terbaik
antara Adaboot dan gabungan Algoritma Slant-Adaboost tersebut maka perlu
dilakukan perbandingan menggunakan Precision dan recall untuk melihat
keakuratan kedua Algoritma tersebut, seperti dalam table 1 Perbandingan hasil
deteksi dengan precision dan Recall.
Hasil Unjuk Kerja
pendeteksian
Hasil
unjuk kerja sistem pendeteksian ini dilakukan dari proses Pelatihan hingga
proses pengujian sampel. Proses Pelatihan dilakukan untuk menetapkan nilai
kedekatan ciri sebagai acuan supaya dapat mengidentifikasi suatu pola karakter
DRM. Sedangkan pengujian dilakukan untuk membandingkan bobot ciri pola yang
dijadikan acuan dengan kedekatan ciri pola yang diinputkan sebelumnya, apakah
kedekatan tersebut dapat dikenali sebagai suatu ciri atau tidak.
Hasil uji coba menggunakan Transformasi Slant
Uji coba yang pertama menggunakan metode Transformasi
Slant dimana pada proses ini juga dilakukan bloking pola hasil deteksi, Berikut
hasil uji coba menggunakan Transformasi Slant.
Gambar
2. Sampel hasil bloking pola Slant
Pada gambar 2
Sampel hasil bloking pola Slant menunjukkan
ada 11 pola dhamir Rafa munfasil yang dideteksi oleh Transformasi Slant. Ada 3
pola yang berhasil dikenal degan benar dan 8 pola yang salah dalam pengenalan.
Gambar
3. Sampel hasil bloking pola Slant
Pada gambar 3 Sampel hasil bloking pola Slant menunjukkan ada 6 pola dhamir Rafa
munfasil yang dideteksi oleh Transformasi Slant. Ada 3 pola yang berhasil
dikenal degan benar dan 3 pola yang salah dalam pengenalan.
Gambar
4. Sampel hasil bloking pola Slant
Pada gambar 4 Sampel hasil bloking pola Slant menunjukkan ada 8 pola dhamir Rafa
munfasil yang dideteksi oleh Transformasi Slant. Ada 3 pola yang berhasil
dikenal degan benar dan 5 pola yang salah dalam pengenalan
Gambar
5. Sampel hasil bloking pola Slant
Pada gambar 5 Sampel hasil bloking pola Slant menunjukkan ada 7 pola dhamir Rafa
munfasil yang dideteksi oleh Transformasi Slant. Ada 2 pola yang berhasil
dikenal degan benar dan 5 pola yang salah dalam pengenalan
Gambar
6. Sampel hasil bloking pola Slant
Pada gambar 6 Sampel hasil bloking pola Slant menunjukkan ada 6 pola dhamir Rafa
munfasil yang dideteksi oleh Transformasi Slant. Ada 4 pola yang berhasil
dikenal degan benar dan 2 pola yang salah dalam pengenalan
Gambar
7. Sampel hasil bloking pola Slant
Pada gambar 7 Sampel hasil bloking pola Slant menunjukkan ada 7 pola dhamir Rafa
munfasil yang dideteksi oleh Transformasi Slant. Ada 4 pola yang berhasil
dikenal degan benar dan 3 pola yang salah dalam pengenalan
Gambar
8. Sampel hasil bloking pola Slant
Pada gambar 8 Sampel hasil bloking pola Slant menunjukkan ada 4 pola dhamir Rafa
munfasil yang dideteksi oleh Transformasi Slant. Ada 1 pola yang berhasil
dikenal degan benar dan 3 pola yang salah dalam pengenalan
Gambar
9. Sampel hasil bloking pola Slant
Pada gambar 9 Sampel hasil bloking pola Slant menunjukkan ada 8 pola dhamir Rafa
munfasil yang dideteksi oleh Transformasi Slant. Ada 5 pola yang berhasil
dikenal degan benar dan 3 pola yang salah dalam pengenalan
Gambar
10. Sampel hasil bloking pola Slant
Pada gambar 10 Sampel hasil bloking pola Slant menunjukkan ada 7 pola dhamir Rafa
munfasil yang dideteksi oleh Transformasi Slant. Ada 3 pola yang berhasil
dikenal degan benar dan 4 pola yang salah dalam pengenalan
Gambar
11. Sampel hasil bloking pola Slant
Pada gambar 11 Sampel hasil bloking pola Slant menunjukkan ada 8 pola dhamir Rafa
munfasil yang dideteksi oleh Transformasi Slant. Ada 6 pola yang berhasil
dikenal degan benar dan 2 pola yang salah dalam pengenalan
Dari hasil diatas banyaknya pola yang dibloking secara
acak dalam arti kata hasil deteksi berhasil dilakukan namun masih kurang akurat
dalam pendeteksian.
Tabel
Deteksi Algoritma Transformasi Slant
Pada Transformasi Slant akan diuji
150 baris ayat yang menjadi acuan
penelitian ini. Berikut table 2 hasil kerja sistem Transformasi Slant.
Tabel
2. Hasil deteksi Metode Transformasi Slant
|
No |
Nama ayat |
Jumlah sebenarnya |
Jumlah Deteksi |
False DRM |
True DRM |
Persentase benar |
No gambar |
|
1 |
halaman 1 Baris ayat
1-15 |
5 |
11 |
8 |
3 |
73 |
4.2 |
|
2 |
halaman 2 Baris ayat
1-15 |
4 |
6 |
3 |
3 |
50 |
4.3 |
|
3 |
halaman 3 Baris ayat
1-15 |
4 |
8 |
5 |
3 |
63 |
4.4 |
|
4 |
halaman 4 Baris ayat
1-15 |
2 |
7 |
5 |
2 |
71 |
4.5 |
|
5 |
halaman 5 Baris ayat
1-15 |
5 |
6 |
2 |
4 |
33 |
4.6 |
|
6 |
halaman 6 Baris ayat 1-15 |
4 |
7 |
3 |
4 |
43 |
4.7 |
|
7 |
halaman 7Baris ayat
1-15 |
1 |
4 |
3 |
1 |
75 |
4.8 |
|
8 |
halaman 8 Baris ayat
1-15 |
7 |
8 |
3 |
5 |
38 |
4.9 |
|
9 |
halaman 9 Baris ayat
1-15 |
3 |
11 |
4 |
7 |
36 |
4.1 |
|
10 |
halaman 10 Baris ayat
1-15 |
7 |
8 |
2 |
6 |
25 |
4.11 |
|
total |
150 baris |
42 |
76 |
38 |
38 |
50 |
Dari table diatas dapat dijelaskan
bahwasanya dari 150 baris ayat yang diuji
ada 76 ayat dikenal sebagai Dhamir Rafa Munfasil dengan False detection 50% atau 38 ayat bukan DRM dan 38 ayat benar DRM dengan True detection 50%
keberhasilan menggunakan Transformasi Slant. Sedangkan hasil pengukuran
menggunakan precision dan recall dapat dilihat berdasarkan table 4.2 Tabel
precision dan recall Salnt berikut ini :
Tabel
3. tabel precision dan recall Slant
|
|
|
Nilai sebenarnya |
|
|
Nilai
pendeteksian |
|
True |
false |
|
True |
38 |
38 |
|
|
false |
4 |
70 |
|
= hasil
Precision = 
= 
= 0.50 = 50%
Jumlah DRM yang dideteksi dengan benar
ada 38 DRM dibagi jumlah DRM yang dipisahkan baik 38 DRM benar dan 38 DRM yang
salah dipisahkan berjumlah 76 DRM. Kemudian hasil 38 DRM yang dideteksi dengan
benar dibagi dengan total 76 DRM yang terdeteksi menghasilkan nilai 0,50 dengan
presentase 50%.
= hasil
Recall = 
= 
0.90 = 90%
Jumlah DRM yang
dideteksi dengan benar ada 38 DRM dibagi jumlah DRM yang sebenarnya ada 38 DRM
ditambah yang tidak terdeteksi 4 DRM
dengan total 42 DRM yang sebenarnya. Kemudian hasil 38 DRM yang
dideteksi dengan benar dibagi dengan total 42 DRM yang sebenarnya menghasilkan
nilai 0,90 dengan presentase 90%. Sedangkan hasil yang dikeluarkan oleh Adabooting
berbeda seperti pada table 4.3 hasil kerja Adabooting.
Hasil
deteksi menggunakan Adabooting
Uji coba selanjutnya menggunakan
metode Transformasi Slant dimana pada proses ini juga dilakukan bloking pola
hasil deteksi, Berikut hasil uji coba menggunakan metode Adaboot pada Sampel hasil bloking
pola Adaboot.
Gambar
12. Sampel hasil bloking pola Adaboot
Pada gambar 12 Sampel hasil bloking pola Adaboot menunjukkan ada 10 pola dhamir
Rafa munfasil yang dideteksi oleh Adabooting. Ada 3 pola yang berhasil dikenal
degan benar dan 7 pola yang salah dalam pengenalan
Gambar
13. Sampel hasil bloking pola Adaboot
Pada gambar 13 Sampel hasil bloking pola Adaboot menunjukkan ada 5 pola dhamir
Rafa munfasil yang dideteksi oleh Adabooting. Ada 4 pola yang berhasil dikenal
degan benar dan 1 pola yang salah dalam pengenalan
Gambar
14. Sampel hasil bloking pola Adaboot
Pada gambar 14 Sampel hasil bloking pola Adaboot menunjukkan ada 4 pola dhamir
Rafa munfasil yang dideteksi oleh Adabooting. Ada 4 pola yang berhasil dikenal
degan benar dan tidak ada pola yang salah dalam pengenalan.
Gambar
15. Sampel hasil bloking pola Adaboot
Pada gambar 15 Sampel hasil bloking pola Adaboot menunjukkan ada 3 pola dhamir
Rafa munfasil yang dideteksi oleh Adabooting. Ada 2 pola yang berhasil dikenal
degan benar dan 1 pola yang salah dalam pengenalan.
Gambar
16. Sampel hasil bloking pola Adaboot
Pada gambar 16 Sampel hasil bloking pola Adaboot menunjukkan ada 5 pola dhamir
Rafa munfasil yang dideteksi oleh Adabooting. Ada 5 pola yang berhasil dikenal
degan benar dan tidak ada pola yang salah dalam pengenalan.
Gambar
17. Sampel hasil bloking pola Adaboot
Pada gambar 17 Sampel hasil bloking pola Adaboot menunjukkan ada 5 pola dhamir
Rafa munfasil yang dideteksi oleh Adabooting. Ada 3 pola yang berhasil dikenal
degan benar dan 2 pola yang salah dalam pengenalan.
Gambar
18. Sampel hasil bloking pola Adaboot
Pada gambar 18 Sampel hasil bloking pola Adaboot menunjukkan ada 1 pola dhamir
Rafa munfasil yang dideteksi oleh Adabooting. Ada 1 pola yang berhasil dikenal
degan benar dan tidak ada pola yang salah dalam pengenalan.
Gambar
19. Sampel hasil bloking pola Adaboot
Pada gambar 19 Sampel hasil bloking pola Adaboot menunjukkan ada 10 pola dhamir
Rafa munfasil yang dideteksi oleh Adabooting. Ada 7 pola yang berhasil dikenal
degan benar dan 3 pola yang salah dalam pengenalan.
Gambar
20. Sampel hasil bloking pola Adaboot
Pada gambar 20 Sampel hasil bloking pola Adaboot menunjukkan ada 4 pola dhamir
Rafa munfasil yang dideteksi oleh Adabooting. Ada 3 pola yang berhasil dikenal
degan benar dan 1 pola yang salah dalam pengenalan.
Gambar
21. Sampel hasil bloking pola Adaboot
Pada gambar 21 Sampel hasil bloking pola Adaboot menunjukkan ada 8 pola dhamir
Rafa munfasil yang dideteksi oleh Adabooting. Ada 7 pola yang berhasil dikenal
degan benar dan 1 pola yang salah dalam pengenalan.
Hasil yang didapat hampir sama dari yang sebelumnya
namun hasil deteksi oleh Adabooting
lebih akurat dari hasil yang didapat oleh Transformasi Slant.
Tabel
Hasil deteksi Algoritma Adaboot
Pada Algoritma Adaboot akan diuji 150
baris ayat yang menjadi Perbandingan pada penelitian berikutnya sama dengan
Ayat yang diuji oleh Transformasi Slant. Berikut tabel 3 hasil kerja sistem
Adaboot.
Tabel
3. Hasil deteksi Metode Adabooting
|
No |
Nama ayat |
Jumlah sebenarnya |
Jumlah pola Pengujian |
DRM False |
DRM True |
Persentase |
no gambar |
|
1 |
Halaman 1 Baris ayat 1-15 |
5 |
10 |
7 |
3 |
30% |
4.12 |
|
2 |
halaman 2 Baris ayat 1-15 |
4 |
5 |
1 |
4 |
80% |
4.13 |
|
3 |
halaman 3 Baris ayat 1-15 |
4 |
4 |
0 |
4 |
100% |
4.14 |
|
4 |
halaman 4 Baris ayat 1-15 |
2 |
3 |
1 |
2 |
67% |
4.15 |
|
5 |
halaman 5 Baris ayat 1-15 |
5 |
5 |
0 |
5 |
100% |
4.16 |
|
6 |
halaman 6 Baris ayat 1-15 |
4 |
5 |
2 |
3 |
60% |
4.17 |
|
7 |
halaman 7 Baris ayat 1-15 |
1 |
1 |
0 |
1 |
100% |
4.18 |
|
8 |
halaman 8 Baris ayat 1-15 |
7 |
10 |
3 |
7 |
70% |
4.19 |
|
9 |
halaman 9 Baris ayat 1-15 |
3 |
4 |
1 |
3 |
75% |
4.20 |
|
10 |
halaman 10 Baris ayat 1-15 |
7 |
8 |
1 |
7 |
88% |
4.21 |
|
Total |
Rata rata |
42 |
55 |
16 |
39 |
71% |
|
|
150 baris |
Dari table diatas dapat dijelaskan
bahwasanya dari 150 baris ayat yang diuji
ada 55 ayat dikenal sebagai Dhamir rafa munfasil dengan False detection 29% atau 16 ayat bukan
DRM dan 39 ayat benar DRM dengan True detection 71% keberhasilan.
Algoritma Adaboots menunjukan hasil keakuratan lebih baik dari Transformasi
Slant. Sedangkan hasil pengukuran menggunakan precision dan recall dapat
dilihat berdasarkan table 4 Tabel precision dan recall Adaboost berikut ini :
Tabel
4. table precision dan recall Adaboost
|
|
|
Nilai adaboost
sebenarnya |
|
|
Nilai pendeteksian |
|
True |
false |
|
True |
39 |
16 |
|
|
false |
3 |
92 |
|
= hasil
Precision = 
= 
= 0.71 = 71%
Recall = jumlah DRM yang dipisahkan
dengan benar = hasil
Jumlah
DRM yang sebernya
Recall = 
= 
0.92 = 92%
Sedangkan hasil yang dikeluarkan
oleh kombinasi Slant-Adabooting berbeda seperti pada table 4.5 hasil kerja
Slant Adabooting.
Hasil
deteksi menggunakan Gabungan Slant-Adabooting
Uji coba
terakhir yaitu menggunakan gabungan kedua Algoritma Transformasi Slant dan
Adabooting pada proses ini juga dilakukan bloking pola hasil deteksi, Berikut
hasil uji coba kombinasi Slant-Adabooting pada Gambar 22 Sampel hasil bloking pola Slant-Adabooting
Gambar
22. Sampel hasil bloking pola Slant-Adabooting
Pada gambar 22 Sampel hasil bloking pola Slant-Adaboot menunjukkan ada 7 pola
dhamir Rafa munfasil yang dideteksi oleh Adabooting. Ada 4 pola yang berhasil
dikenal degan benar dan 3 pola yang salah dalam pengenalan.
Gambar
23. Sampel hasil bloking pola Slant-Adabooting
Pada gambar 23 Sampel hasil bloking pola Slant-Adaboot menunjukkan ada 5 pola
dhamir Rafa munfasil yang dideteksi oleh Adabooting. Ada 4 pola yang berhasil
dikenal degan benar dan 1 pola yang salah dalam pengenalan.
Gambar
24. Sampel hasil bloking pola Slant-Adabooting
Pada gambar 24 Sampel hasil bloking pola Slant-Adaboot menunjukkan ada 5 pola
dhamir Rafa munfasil yang dideteksi oleh Adabooting. Ada 4 pola yang berhasil
dikenal degan benar dan 1 pola yang salah dalam pengenalan.
Gambar
25. Sampel hasil bloking pola Slant-Adabooting
Pada gambar 25 Sampel hasil bloking pola Slant-Adaboot menunjukkan ada 2 pola
dhamir Rafa munfasil yang dideteksi oleh Adabooting. Ada 2 pola yang berhasil
dikenal degan benar dan tidak ada pola yang salah dalam pengenalan.
Gambar
26. Sampel hasil bloking pola Slant-Adabooting
Pada gambar 26 Sampel hasil bloking pola Slant-Adaboot menunjukkan ada 5 pola
dhamir Rafa munfasil yang dideteksi oleh Adabooting. Ada 4 pola yang berhasil
dikenal degan benar dan 1 pola yang salah dalam pengenalan.
Gambar
27. Sampel hasil bloking pola Slant-Adabooting
Pada gambar 27 Sampel hasil bloking pola Slant-Adaboot menunjukkan ada 4 pola
dhamir Rafa munfasil yang dideteksi oleh Adabooting. Ada 4 pola yang berhasil
dikenal degan benar dan tidak ada pola yang salah dalam pengenalan.
Gambar
28. Sampel hasil bloking pola Slant-Adabooting
Pada gambar 28 Sampel hasil bloking pola Slant-Adaboot menunjukkan ada 1 pola
dhamir Rafa munfasil yang dideteksi oleh Adabooting. Ada 1 pola yang berhasil
dikenal degan benar dan tidak ada pola yang salah dalam pengenalan.
Gambar
29. Sampel hasil bloking pola Slant-Adabooting
Pada gambar 29 Sampel hasil bloking pola Slant-Adaboot menunjukkan ada 7 pola
dhamir Rafa munfasil yang dideteksi oleh Adabooting. Ada 7 pola yang berhasil
dikenal degan benar dan tidak ada pola yang salah dalam pengenalan.
Gambar
30. Sampel hasil bloking pola Slant-Adabooting
Pada gambar 30 Sampel hasil bloking pola Slant-Adaboot menunjukkan ada 3 pola
dhamir Rafa munfasil yang dideteksi oleh Adabooting. Ada 3 pola yang berhasil
dikenal degan benar dan 0 pola yang salah dalam pengenalan.
Gambar
31. Sampel hasil bloking pola Slant-Adabooting
Pada gambar 31 Sampel hasil bloking pola Slant-Adaboot menunjukkan ada 6 pola
dhamir Rafa munfasil yang dideteksi oleh Adabooting. Ada 6 pola yang berhasil
dikenal degan benar dan tidak ada pola yang salah dalam pengenalan.
Pada sampel gambar ditas terlihat bahwasanya metode kombinasi Slant-Adabooting
lebih mirip dengan Transformasi Slant dan Adabooting hal itu disebabkan karena
Algoritma kombinasi Slant-Adabooting adalah Algoritma supervisi dimana akan
memilih hasil deteksi terbaik untuk ditampilkan. Jadi untuk Algoritma kombinasi
ini tidak akan menghasilkan hasil yang lebih buruk dan akan dipilih hasil yang
terbaik deteksinya.
Tabel
Hasil deteksi Gabungan Transformasi Slant - Adaboot
Pada Algoritma gabungan ini akan
diuji 150 baris ayat yang menjadi Perbandingan pada penelitian yang sama dengan
Ayat yang diuji oleh Transformasi Slant maupun Adaboot. Berikut table 4.5 hasil kerja sistem Transformasi Slant -
Adaboot.
Tabel
5. Hasil deteksi Metode gabungan Slant-Adabooting
|
No |
Nama ayat |
Jumlah sebenarnya |
Jumlah pola
Pengujian |
DRM False |
DRM True |
Persentase
benar |
No gambar |
|
1 |
halaman 1 Baris ayat 1-15 |
5 |
7 |
3 |
4 |
57 |
4.22 |
|
2 |
halaman 2 Baris ayat 1-15 |
4 |
5 |
1 |
4 |
80 |
4..23 |
|
3 |
halaman 3 Baris ayat 1-15 |
4 |
5 |
1 |
4 |
80 |
4..24 |
|
4 |
halaman 4 Baris ayat 1-15 |
2 |
2 |
0 |
2 |
100 |
4..25 |
|
5 |
halaman 5 Baris ayat 1-15 |
5 |
5 |
1 |
4 |
80 |
4..26 |
|
6 |
halaman 6 Baris ayat 1-15 |
4 |
4 |
0 |
4 |
100 |
4..27 |
|
7 |
halaman 7Baris ayat 1-15 |
1 |
1 |
0 |
1 |
100 |
4..28 |
|
8 |
halaman 8 Baris ayat 1-15 |
7 |
7 |
0 |
7 |
100 |
4..29 |
|
9 |
halaman 9 Baris ayat 1-15 |
3 |
3 |
0 |
3 |
100 |
4..30 |
|
10 |
halaman 10 Baris ayat 1-15 |
7 |
6 |
0 |
6 |
100 |
4..31 |
|
total |
Rata-rata |
42 |
45 |
6 |
39 |
86 |
Dari table diatas dapat
dijelaskan bahwasanya dari 150 baris ayat yang diuji ada 45 ayat dikenal sebagai Dhamir rafa
munfasil dengan False detection 14%
atau 6 ayat bukan DRM dan True detection 86% dengan 39 ayat benar DRM, keberhasilan menggunakan kombinasi
Slant-Adabooting dari uji coba diatas menunjukan hasil keakuratan lebih baik
dari Transformasi Slant dan Adaboot. hasil pengukuran menggunakan precision dan
recall dapat dilihat berdasarkan table 6 Tabel precision dan recall
Slant-Adaboost berikut ini :
Tabel
6. table precision dan recall Slant-Adaboost
|
|
|
Nilai
adaboost sebenarnya |
|
|
Nilai
pendeteksian |
|
True |
false |
|
True |
39 |
6 |
|
|
false |
3 |
102 |
|
= hasil
Precision = 
= 
= 0.86 = 86%
Recall = jumlah DRM yang dipisahkan dengan benar = hasil
Jumlah
DRM yang sebenarnya
Recall = = 0.93 = 93%
Grafik
perbandingan hasil deteksi Adaboot dan gabungan
Slant-Adaboot
Dari hasil analisa kerja
Adaboost pada table 3. Hasil deteksi Metode Adabooting menunjukan
presentase keberhasilan mencapai 71% dan hasil kerja Algoritma gabungan 4.5 Hasil deteksi Metode gabungan
Slant-Adabooting menunjukan presentase mencapai 86% hasil yang terbaik dari
kombinasi Algoritma slant-Adabooting, Untuk perbandingan hasil deteksi
Algoritma Adaboot, dan gabungan Slant-Adaboot dapat dilihat pada table 7 perbandingan
hasil deteksi dengan precision dan Recall sebagai berikut:
Tabel
7. Perbandingan hasil deteksi dengan precision dan Recall sebagai berikut
|
NO |
CITRA |
ADABOOST |
SLANT-ADABOOST |
||
|
PRESISION |
RECALL |
PRESISION |
RECALL |
||
|
1 |
CITRA1 Ayat 1 sd 15 |
30% |
60% |
57% |
80% |
|
2 |
CITRA2 Ayat 1 sd 15 |
80% |
100% |
80% |
100% |
|
3 |
CITRA3 Ayat 1 sd 15 |
100% |
100% |
80% |
100% |
|
4 |
CITRA4 Ayat 1 sd 15 |
67% |
100% |
100% |
100% |
|
5 |
CITRA5 Ayat 1 sd 15 |
100% |
100% |
80% |
80% |
|
6 |
CITRA6 Ayat 1 sd 15 |
60% |
75% |
100% |
100% |
|
7 |
CITRA7 Ayat 1 sd 15 |
100% |
100% |
100% |
100% |
|
8 |
CITRA8 Ayat 1 sd 15 |
70% |
100% |
100% |
100% |
|
9 |
CITRA9 Ayat 1 sd 15 |
75% |
100% |
100% |
100% |
|
10 |
CITRA10 Ayat 1 sd 15 |
88% |
100% |
100% |
86% |
|
|
Rata-rata |
71% |
92% |
86% |
93% |
Gambar
32. Grafik Unjuk kerja pendeteksian Dhamir Raf’a Munfasil
pada citra Al-Qur’an
Menggunakan Precision dan Recall
Hasil perbandingan pada
grafik Gambar 32 Grafik Unjuk kerja pendeteksian Dhamir Raf’a Munfasil pada
citra Al-Qur’an Menggunakan Precision dan Recall menunjukan Algoritma Gabungan
Memiliki precision 92% lebih baik dari pada adaboost yang memiliki precision
71% sedangkan dengan pengukuran Recall hasil menunjukan hamper sama dengan
Algoritma Gabungan sebesar 93% dan Adaboost 92%.
Kesimpulan
Kesimpulan yang dapat
diambil pada penelitian ini adalah untuk mendeteksi pola tidak hanya satu metode
saja yang dibutuhkan namun dibutuhkan beberapa metode pendukung untuk
mendapatkan hasil yang terbaik. Hasil Unjuk Kerja Pendeteksian Dhamir Raf’a
Munfasil (DRM) Pada Citra Al-Qur’an
Dengan Penggabungan Algoritma Adaboost Dan
Tranformasi Slant menunjukan setiap metode memiliki perbedaan dalam
pendeteksian. dalam hal ini unjuk kerja dengan metode Transformasi Slant
memiliki true deteksion sebesar 50% dan false deteksion sebesar 50% dari 150
Baris DRM yang dideteksi, Transformasi slant sendiri hanya mampu mendeteksi 38
Dhamir Rafa munfasil (DRM) secara benar dari 42 DRM yang sebenarnya dan
kesalahan deteksi sebanyak 38 DRM. Dengan Presicion sebesar 50% dan Recall 90%. Sedangkan
menggunakan Adaboost memiliki true deteksion sebesar 71% dan false deteksion
sebesar 29% dari 150 Baris DRM yang dideteksi, Adaboost sendiri hanya mampu
mendeteksi 39 DRM dari 42 DRM yang
sebenarnya dengan kesalah deteksi sebesar 16 pola. Adaboost memiliki Presision
sebesar 71% dan Recall 92%. Hasil yang
lebih baik ditunjukan oleh gabungan Slant-Adaboost yang memiliki true deteksion
sebesar 86% dan false deteksion sebesar 14% dari 150 Baris DRM yang dideteksi,
Slant- adaboost sendiri berhasil
mendeteksi 39 DRM yang dideteksi dengan benar dan hanya 6 pola yang salah
dideteksi, dengan Presision sebesar 86% dan Recall 93%.
Hasil perbandingan Unjuk
kerja antara Adaboost dengan Slant-Adaboost menunjukan perbedaan dimana
rata-rata Presision yang didapat adaboost hanya 71% dan Recall 92%. sedangkan
hasil yang lebih baik didapat oleh Slant-Adaboost dengan Presision sebesar 86%
dan Recall 93%. Dari hasil penelitian ini dapat disimpulkan hasil penggabungan
Algoritma Transformasi Slant-Adaboost mendapatkan akurasi lebih baik dalam
pendeteksian dan keakuratan.
BIBLIOGRAFI
Agustono, I. (2018). Karakteristik Kesarjanaan Barat Kontemporer Dalam
Studi Al Qur’an. Disertasi-UIN Sunan Ampel Surabaya.
Amrullah, A. F. (2021). Manajemen Kurikulum Pembelajaran Bahasa Arab.
Prenada Media.
Arsyad, A., & Majid, N. (2010). Bahasa Arab dan Metode
Pengajarannya: beberapa pokok pikiran. Pustaka Pelajar.
Azizah, U. N. (2013). Perbandingan Detektor Tepi Prewitt dan Detektor
Tepi Laplacian berdasarkan Kompleksitas Waktu dan Citra Hasil. Universitas Pendidikan
Indonesia.
Fadlisyah, F. (2016). Model Sistem Informasi Untuk Pengolahan Citra.
Program Studi Informatika Press.
Fukushima, K., Miyake, S., & Ito, T. (1983). Neocognitron: A neural
network model for a mechanism of visual pattern recognition. IEEE
Transactions on Systems, Man, and Cybernetics, 5, 826–834.
Gonzalez, R. C. (2009). Digital image processing. Pearson education
india.
Jamalie, Z. (2022). Manuskrip Keagamaan Dan Kajian Islam Lokal (Tinjauan
Sejarah). Kalimantan Selatan: Antasari Publisher.
Maryana, M., & Fauzi, A. (2023). Sistem Pengenalan Ayat Al-Qur’an
Surah Al-Muthaffifin Ayat 1–5 Melalui Suara Menggunakan Ada-Boost. Jurnal
Teknologi Terapan and Sains 4.0, 4(2), 34–43.
Putra,
D. (2010). Pengolahan citra digital. Penerbit Andi.
Rasheed, N. A. (2011). Neural Network Based Segmentation Algorithm For
Arabic Characters Recognition”. Journal of Babylon University/Pure and
Applied Sciences, 19(3), 823–828.
Rizal, F. (2011). Pemograman Computer Vision Menggunakan Delphi+ Vision
Lab VCL 4.0. 1. Yogyakarta: Graha Ilmu.
Siahaan, V., & Sianipar, R. H. (2018). Metode-Metode Pengolahan
Citra Digital: Disertai Banyak Kode MATLAB (Vol. 1). Sparta Publisher.
Syarif, M. S. (2016). Penerapan algoritma backpropagation untuk
menentukan level bonus dan score bonus pada game edukasi nahwu menggunakan
kartu berbasis android. Universitas Islam Negeri Maulana Malik Ibrahim.
Wahab, A. K. A. (2019). Pendekatan Filologi Dalam Studi Islam. Academia.
Edu.
|
Copyright holder: Juanda Nargaza,
Yuwaldi Away, Fitri Arnia (2024) |
|
First publication right: Syntax Literate:
Jurnal Ilmiah Indonesia |
|
This article is licensed under:
|
