������������������������������������������ Jurnal
Indonesia Sosial Teknologi: p�ISSN:
2723 - 6609
e-ISSN : 2548-1398
EKSTRAKSI INFORMASI
MEME-INTERNET BERBAHASA INDONESIA DENGAN MESIN PENCARIAN
Fery Satria Kristianto, Endang
Setyati dan Reddy Alexandro Harianto
Email: [email protected], [email protected], [email protected]
Abstract
Meme images on
the internet have information
that can be extracted with
the aim of obtaining new
information that is needed
by society. Information extraction
is one of the sciences
in recognizing unstructured text
data into structured text
data. In this research,
we will conduct trials in
recognizing the background image
and text contained in the
image. The position of the
text that you want to
recognize is at the top
and bottom of the meme
image. The SIFT algorithm
is one of the most
widely used feature extraction
methods in recognizing local
features of an image. The
use of the SIFT algorithm
in recognizing local features
of the image is expected
to provide good information.
Meanwhile, the Jaro-Winkler distance
algorithm is used for textual
similarity. Trials in the
pre-process in forming a
database of image and
word features using 1000
image data from the crawling
process can be carried out.
The preprocessing especially for
the text extraction stage
contained in the image can
run well. In the information
retrieval test phase, 50
images were used. The results
of the information retrieval
trial by utilizing thedatabase
featureformed in the study
have not been maximized
because the output of the
system in providing results
is still far from the
initial hypothesis. The percentage
of the similarity in the
image results from theoutput
test is query still
below 50%, especially in
the section on the compatibility
between the image text and
the background image.
Keyword : extraction, information, SIFT,
jaro-winkler, internet-memes
Abstrak
Citra meme yang ada di internet memiliki
informasi yang dapat digali dengan tujuan untuk mendapatkan informasi baru yang
diperlukan masyarakat. Ekstraksi Informasi merupakan salah satu ilmu dalam
mengenali data teks tidak terstruktur menjadi data teks terstruktur. Dalam
penelitian akan melakukan ujicoba dalam mengenali citra latar dan teks yang
terkandung di dalam citra. Posisi teks yang hendak dikenali berada pada bagian
atas dan bawah citra meme. Algoritma SIFT adalah salah satu metode ekstraksi
fitur yang paling banyak digunakan dalam mengenali lokal fitur dari sebuah
citra. Penggunaan algoritma SIFT dalam mengenali lokal fitur dari citra
diharapkan dapat memberikan informasi yang baik. Sedangkan untuk kemiripan
secara tekstual digunakan algoritma Jaro-Winkler distance. Uji coba dalam
pra-proses dalam pembentukan database fitur citra dan kata menggunakan
1000 data citra hasil proses crawling dapat dilaksanakan. Praproses terutama
untuk tahapan ekstraksi teks yang terdapat pada citra dapat berjalan baik. Pada
tahap uji coba temu kembali informasi data citra yang digunakan sebanyak 50
citra. Hasil uji coba temu kembali informasi dengan memanfaatkaan database
fitur yang terbentuk dalam penelitian, belum berjalan maksimal karena luaran
dari sistem dalam memberikan hasil masih jauh dari hipotesa awal. Prosentase
kemiripan citra hasil ujicoba luaran query masih di bawah 50%, terutama
di bagian kesesuaian antara teks citra dan citra latar.
Kata kunci: ekstraksi,
informasi, SIFT, jaro-winkler, meme-internet
Pendahuluan
Penyebaran meme menjadi sebuah budaya baru di
masyarakat untuk menyampaikan ekspresi dari suatu ide, perilaku ataupun gaya
dari satu orang ke orang lain terutama di media sosial. Istilah bahasa Inggris
meme dicetuskan oleh Richard Dawkins tahun 1976 melalui bukunya yang berjudul
�The Selfish Gene�(Dawkins, 2016). Meme-internet sebagai salah satu hasil produk dari teknologi digital
khususnya citra gambar yang dapat memberi pengaruh positif maupun negatif.
Pengaruh ini baik dari segi gambar yang di jadikan
latar belakangnya maupun kalimat teks yang menjadi bagian dari gambar tersebut.
Dengan semakin banyaknya minat para kreator meme dan pengguna internet di
Indonesia. Hal ini mendorong anak-anak bangsa membuat sebuah wadah di internet
yang dapat banyak menampung kreatifitas meme yang terutama yang memiliki unsur
komedi. Salah satu laman yang populer adalah 1 Cak.com, sebuah laman yang di
dalamnya menampung berbagai macam meme yang terinpirasi dari kehidupan
sehari-hari atau yang menjadi trending
topic di media sosial.
Frase Kalimat pada citra meme dapat menjadi sebuah
informasi yang dapat membantu dalam mencari tingkat kepopuleran dari citra meme
tersebut di lihat dari segi banyaknya meme dengan citra latar yang mirip
tersebar di internet. Dalam penelitian ini, akan dilakukan pemisahan teks dari
citra latar meme agar di dapatkan data teks yang dapat di olah menjadi
informasi. Sehingga mucul tantangan dalam menggali maupun melakukan ekstraksi
informasi dari obyek citra. Untuk menyelesaikan kendala tersebut dilakukan
teknik Information Extraction (IE),
dimana teknik ini untuk mengambil teks pada citra meme menjadi sebuah informasi
yang mudah digunakan kembali. Definisi dari ekstraksi informasi adalah suatu
mekanisme dalam melakukan ektraksi sekumpulan teks untuk mendapatkan suatu
fakta-fakta. Fakta-Fakta tersebut dapat dalam bentuk events, entitas dan relationship
maupun dalam bentuk informasi terstruktur (Saggion & Poibeau, 2013).
Ekstraksi informasi merupakan salah satu bagian dari
Pemrosesan Bahasa Alami (Natural Language Processing). Pada penelitian ini
proses ektraksi akan dilakukan dengan menggunakan metode Optical Character
Recognition (OCR), dimana proses ini dilakukan untuk mengubah pada bagian teks
dari sebuah citra optis yang memiliki dokumen atau teks didalamnya(Amalia, Sharif, Haisar, Gunawan, & Nasution, 2018). Menurut Cherriet, OCR adalah sebuah aplikasi komputer yang digunakan
untuk mengidentifikasi�� citra�� huruf��
maupun�� angka untuk dikonversi ke
dalam bentuk yang dapat diubah.(Cheriet,M. & Kharma,N., Liu,C., Suen, 2006)
Penelitian yang di usulkan ini adalah untuk melihat
kemiripan baik secara frase kata yang terkandung di dalam citra tersebut maupun
obyek dari citra latarnya. Untuk ekstraksi fitur dalam mencari kemiripan citra
latar, peneliti akan menggunakan salah satu algoritma pengenalan obyek yaitu
SIFT (Nakashima & Kuroki, 2017). Algoritma SIFT digunakan untuk menemukan titik-titik kunci pada image
dan SIFT desktriptor. Titik kunci antar citra kemudian akan dihitung
menggunakan cosine distance. Sedangkan
kemiripan pada kata, peneliti menggunakan algoritma jaro-winkler distance. Metode yang di usulkan dalam
penelitian ini adalah menggabungkan kedua algoritma dalam menemukan kembali
informasi dari citra meme.
Metode Penelitian
Tahapan
awal dalam penelitian ini adalaha pembuatan dataset dengan melakukan proses crawling citra meme di internet. Proses
ini mengumpulkan sebanyak 1000 citra meme dengan teks dalam bahasa Indonesia
yang akan digunakan sebagai dataset awal. Salah satu hasil citra meme yang
diperoleh seperti pada gambar 1.
Gambar 1 Contoh Citra
Meme
Pada tahap
selanjutnya akan dilakukan beberapa tahapan pra-proses terhadap citra hingga
proses ekstraksi teks dan vector fitur pada citra diperoleh. Tahapan-tahapan
praproses sebagai berikut:
1. Pra-proses citra
Metode
praproses yang dilakukan adalah dengan melakukan konversi citra RGB ke grayscale. Hal ini dilakukan untuk mempercepat proses
pada tahapan selanjutnya karena dengan dengan nilai hanya derajat keabuan,
proses ekstraksi akan lebih cepat dilakukan. Hal ini untuk merubah intensitas informasi warna dari RGB (16 bit)
menjadi 8 bit. Sedangkan
untuk segmentasi akan menggunakan metode Thresholding
untuk mendapatkan wilayah yang mengandung teks dan non teks. Pada tahapan ini
dilakukan proses morfologi untuk dapat mendeteksi wilayah teks pada citra yang
memiliki beragam warna latar sehingga diperlukan proses morfologi gradien dan
dilasi pada citra biner dan kemudian dilakukan proses inverted pada citra. Sehingga wilayah teks yang dikenali dalam
warna putih dan background berwarna hitam dapat dilakukan transposisi sehingga
nantinya wilayah teks berwarna hitam. Proses ini perlu dilakukan karena sistem
OCR tidak mengenali wilayah putih sehingga akan banyak wilayah teks yang tidak
dikenali.
2. Ekstraksi teks pada citra
Setelah proses pengenalan wilayah teks terbentuk maka
proses dilanjutkakn dengan ekstraksi teks pada citra menggunakan library tesseract. Teks hasil ekstraksi
ini menjadi data awal yang akan dilakukan proses pembersihan dan normalisasi
teks agar di peroleh kumpulan keyword.
Keyword ini yang akan menandai setiap
citra dan menjadi fitur unik dari citra. Proses normalisasi meliputi: case folding, tokenisasi, stopword, dan
normalisasi teks.
3. Ekstraksi fitur pada citra
Pada
tahap ekstraksi fitur dilakukan dengan menggunakan algoritma SIFT dan kemudian
hasil proses ekstraksi vector fitur disimpan kedalam database. Selanjutnya dalam pengujian fitur dari data uji akan
dilakukan satu persatu dengan dibandingkan dengan fitur yang sudah tersimpan
pada database. Proses pengenalan awal dari ekstraksi fitur citra
dengan mendeteksi keypoints (titik pusat pola local) pada citra. Menentukan
keypoint citra yang memiliki ketahanan terhadap perubahan dan dapat mewakili
obyek citra secara keseluruhan. Hasil pembentuka pola pada citra ditandai
dengan pola lingkaran pada citra. Pada gambar 2 untuk obyek citra dengan
atribut nama file 2.jpg dihasilkan 462 keypoint
Gambar 2 Pembentukan
Descriptor Keypoint dengan SIFT
Hasil dan Pembahasan
Pada
penelitian ini akan menggunakan data citra meme dalam bahasa Indonesia untuk
dijadikan database awal. Proses
pembentukan dataset dilakukan melalui beberapa tahapan berikut ini untuk
mendapatkan informasi yang tidak terstruktur menjadi informasi terstruktur. Pada
penelitian ini citra yang digunakan sebagai data uji sebanyak 20 citra meme
berbahasa Indonesia. Data citra terbagi menjadi 2 yaitu: 10 citra dari dataset
dan 10 citra dari luar dataset.
A. Implementasi Praproses
Citra
Citra
hasil proses crawling yang diperoleh memiliki ukuran minimal 300 piksel x 400
piksel dan maksimal sebesar 1028 x 1028 piksel seperti pada gambar 1. Tahap
pertama citra akan dirubah dari citra berwarna RGB ke citra berwarna abu-abu.
Setelah diperoleh citra abu-abu proses berikutnya adalah fungsi pembuatan
kernel. Fungsi ini digunakan untuk melakukan pemindaian dan konvolusi pada citra
dengan transformasi morfologi. Uji coba deteksi teks dengan menggunakan operasi
morfologi untuk dapat mengenali wilayah teks pada citra.
Ukuran
kernel sangat mempengaruhi seberapa tebal obyek yang akan terkikis atau
terlapisi dengan operasi morfologi. Pada tahap ini kernel yang digunakan
berukuran 3x3 dengan menggunakan bentuk elipse. Pembentukan kernel dengan
ukuran tersebut nantinya digunakan untuk operasi morfologi gradien pada citra.
Tahapan selanjutnya adalah melakukan proses tresholding menggunakan metode
Otsu. Setelah didapatkan citra hasil, dilakukan prose pembentukan kernel
berukuran 5x5 dengan menggunakan bentuk kotak. Pembentukan kernel ini digunakan
untuk operasi morfologi close, untuk melihat kontur citra yang saling
terhubung. Pemilihan komposisi kernel dipilih setelah dilakukan beberapa uji
coba kombinasi kernel. Komposisi kernel 3x3 untuk morfologi gradient dan kernel
5x5 untuk morfologi close.
Uji coba tahapan sistem ditunjukkan seperti pada gambar 3. Uji
coba untuk citra meme dengan warna teks terang dan gambar 3 citra meme dengan
warna teks gelap. Pada bagian (a) menunjukkan gambar asli sebagai input sistem, (b) hasil proses merubah
citra RGB menjadi citra grayscale,
(c) menunjukkan hasil proses Otsu Thresholding,
(d) bounding box wilayah teks, (e)connected region text, (f) hasil luaran
sistem.
|
|
|
|
|
(a) |
(b) |
(c) |
|
|
|
|
|
(d) |
(e) |
(f) |
Gambar
3 Contoh Praproses Citra
B. Implementasi
Ekstraksi Teks
Setelah praproses citra telah dilakukan dan memperoleh wilayah teks yang di tandai dengan kotak bergaris hijau. Proses ekstraksi ini akan menggunakan library tesseract sebagai modul pembaca dan pengenalan citra optis(�zgen, Fasounaki, & Ekenel, 2018). Teks hasil ekstraksi ini akan menjadi data awal yang akan dilakukan proses pembersihan dan normalisasi teks agar di peroleh kumpulan keyword yang akan menandai setiap citra dan menjadi fitur unik dari citra. Pada gambar 5 merupakan salah satu ujicoba proses ekstraksi dimana, wilayah teks dapat dikenali secara utuh dan hasil ektraksi juga menunjukkan hasil yang baik dengan mengenali keseluruhan teks pada citra meme. Hasil yang cukup baik ini di pengaruhi kondisi citra yang memiliki piksel yang cukup baik, warna wilayah teks yang cukup kontras dengan wilayah gambar. Poses ekstraksi fitur untuk pemrosesan teks hasil dari pengolahan OCR sehingga akan diperoleh kumpulan data keyword �dan kemudian disimpan ke dalam database.
Gambar 4 Hasil deteksi
teks pada citra sesuai bounding box
C. Implementasi
Pos-proses Teks dan Normalisasi
Proses
ini meliputi proses: case folding,
tokenisasi, stopword removal dan
normalisasi teks. Proses case folding
dilakukan pada keseluruhan data hasil ekstraksi teks yang tersimpan pada file
berlabel dataframe.csv. Dimana proses
ini untuk menyamakan teks menjadi lower
case. Proses ini menjadi langkah awal dari pengolahan normalisasi dan
pembersihan teks dari noise yang
muncul dalam proses penelitian ini. Selanjutnya tahapan tokenisasi dilakukan
untuk pemotongan string input berdasarkan tiap kata yang menyusunnya.
Metode
yang digunakan adalah Term Frequency Inverse Document Frequency (TF-IDF).
Metode ini digunakan untuk melakukan pembobotan pada setiap kata yang akan
digunakan pada proses temu kembali informasi, Sehingga bobot hubungan antara sebuah kata dan sebuah dokumen akan tinggi
apabila frekuensi kata tersebut tinggi di dalam dokumen dan frekuensi
keseluruhan dokumen yang mengandung kata tersebut yang rendah pada kumpulan
dokumen (Intan et al., 2006). Pada
tiap term di setiap dokumen teks hasil ektraksi OCR dalam corpus. Persamaan perhitungan untuk metode TF-IDF
IDF menunjukkan
ketersediaan sebuah kata term pada
seluruh dokumen. Pada dokumen yang mengandung semakin sedikit term maka membuat nilai IDF semakin
bernilai besar.
Dimana
:
����������� D adalah total dari keseluruhan
dokumen
����������� df adalah banyak dokumen yang memiliki
term
����������� TF adalah jumlah atau frekuensi
kemunculan term t dalam dokumen� d
����������� W adalah bobot dokumen ke d terhadap
kata term ke t
Tabel 1�
Contoh Praproses teks
Keterangan Teks Hasil OCR DIKASIH TUGAS 2 MINGGU YANG LALU, BARU
DIKERJAIN PAGI-PAGI DI SEKOLAH SEBELUM DIKUMPULKANY3 & YAy L N / N GA EA ,-/ �MURID LEGEND� Case folding dikasih tugas 2 minggu yang lalu, baru dikerjain pagi-pagi di sekolah sebelum dikumpulkany3 & yay l n
/ n ga ea ,-/ �murid legend� Tokenisasi dikasih, tugas, 2, minggu, yang, lalu, baru,
dikerjain, pagi-pagi, di, sekolah, sebelum, dikumpulkany3, &, yay, l,
n, /, n. ga. Ea. -/, �, murid, legend, � Stopword dikasih, tugas, minggu, dikerjain, pagi-pagi,
sekolah, dikumpulkany3, ga, ea, murid, legend Normalisasi Dikasih, tugas, minggu, dikerjain,
pagi, sekolah, dikumpulkan, murid, legend
Pada
Tabel 1 menunjukkan proses pengolahan teks menggunakan tahapan pra proses teks
dimana, proses ini akan memberikan data teks yang sudah mengalami pembersihan
dan penataan secara teratur. Kemudian setelah tahap tokenisasi akan dilakukan
pengolahan dan pencarian kandidat keyword
dengan bantuan algoritma TF IDF. Proses ini akan memberikan pembobotan pada
setiap kata hasil tokenisasi sehingga sampai di peroleh kata yang memiliki
nilai bobot baik. Pada proses ini diperoleh sebanyak 1657 term dari proses
pembobotan kata menggunakan TFIDF. Hasil perhitungan bobot TFIDF terhadap
setiap term pada keseluruhan dokumen mendapatkan term tenggelamkan memiliki
nilai tertinggi karena terdapat pada 50 dokumen pada database.
Tabel 2 nilai
pembobotan term dengan TFIDF
Term Rank 910 tenggelamkan 26.206278 560 mantan 21.192048 77 baru 13.726510 738 pas 12.330564 141 cinta 12.110186 ... ... ... 454 kembang 0.908488 441 kehujanan 0.908488
Hasil
pemringkatan pada term akan memudahkan
dalam pencarian citra berdasarkan kata-kata terentu, dimana hal ini akan
penulis gunakan pada penelitian selanjutnya terkait dengan temu kembali
informasi. Peningkatan nilai akurasi juga telah mengurangi jumlah karakter yang
tidak dikenali oleh sistem.
D. Implementasi
Ekstraksi Fitur Citra
Pada
tahapan uji coba proses ektraksi fitur pada citra meme menggunakan library dari
OpenCV. Sehingga pembuatan deskriptor pada citra dapat dilakukan untuk
mengenali pattern feature dari sebuah citra dan mencari kemiripan dari sebuah
citra. Proses pengenalan awal dari ekstraksi fitur citra dengan mendeteksi
keypoints (titik pusat pola local) pada citra. Setelah melewati tahapan-tahapan
tersebut, hasil luaran digunakan sebagai dataset awal dalam pengembangan sistem
temu kembali informasi yang di usulkan pada penelitian ini.
Dimana
sistem yang di usulkan dalam penelitian ini akan menampilkan hasil query citra berdasarkan nilai kemiripan.
Nilai kemiripan ini di ukur berdasarkan nilai kemiripan fitur citra SIFT dan
nilai kemiripan teks yang menempel pada citra. Perhitungan nilai kedekatan
antar vektor citra query dengan citra pada database akan menentukan akurasi
dalam pengembalian informasi. Nilai kemiripan citra SIFT dihitung menggunakan
persamaan cosine distane. Seperti pada gambar 5 menunjukkan hasil pencarian titik
kunci yang memiliki kemiripan antar citra. Sedangkan untuk nilai kemiripan teks
akan dilakukan dengan menggunakan perhitungan Jaro-Winkler.
Gambar 5 Uji coba
pencocokan pada titik kunci pada
fitur Citra
E. Implementasi
Pencarian Citra Berdasarkan Query Input
Uji
coba aplikasi dalam mengenali citra query
pada sistem yang diusulkan dalam penelitian ini dilakukan dalam beberapa
tahapan. Penjelasan terkait masing-masing tahapan tersebut dijelaskan sebagai
berikut:
1. Citra query input dilakukan proses ekstraksi
fitur dengan menggunakan algoritma SIFT untuk mendapatkan fitur pada citra
dalam bentuk vektor berukuran 32 sedangkan untuk descriptor vektornya berukuran 64. (S. Meshram & M. Agarkar, 2015)
2. Citra query
dilakukan pencocokan dengan citra di database
berdasarkan vektor fiturnya, dimana proses perhitungan kedekatan jarak antar vektor
dari citra query dan citra database menggunakan persamaan cosine distance.
3. Setelah diperoleh
10 citra dengan nilai kemiripan tertinggi, kemudian dilakukan pengujian kembali
untuk kemiripan pada keyword citra
query dengan data keyword dari citra
luaran yang tersimpan di database. Nilai
kemiripan keyword ini akan
menggunakan perhitungan Jaro-Winkler.
4. Proses berikutnya
melakukan perhitungan rata-rata nilai kemiripan dengan menggunakan persamaan
berikut
5. Setelah proses
perhitungan kemiripan kemudian dilakukan pemeringkatan dengan menampilkan 10
citra yang memiliki nilai kedekatan tertinggi dengan citra query.
Pengujian
awal sistem dilakukan dengan mencoba melakukan proses pencarian citra dengan
menggunakan database yang memiliki
kemiripan gambar background dengan citra query.
Hal ini dilakukan untuk mengukur akurasi sistem apakah bekerja dengan baik atau
tidak. Uji coba yang saya lakukan menggunakan 50 data uji, sedangkan yang saya
gunakan baru 20 data uji citra. Dengan komposisi data uji 10 citra di ambil
dari database dan 10 citra di ambil
dari luar database. Pada gambar 6
salah satu proses query sistem dalam
memberikan informasi kembali dari database
berdasarkan citra query input.
������ Gambar 6 Contoh hasil
proses query sistem.
Penilaian
kebenaran dari luaran query pada
penelitian ini menggunakan penilaian obyektif dan penilaian subyektif. Untuk
penilaian obyektif didasarkan pada nilai kecocokan yang dihasilkan dengan
metode cosine dan Jaro-Winkler. Pada gambar 6 sistem memberikan luaran query yang memiliki kesaamaan pada
rentang nilai kemiripan 1 sampai dengan 0.700. Rentang nilai ini kemudian
digunakan sebagai aturan dalam memberikan label benar atau salah pada hasil
luaran query. Pemberian label benar
dan salah di lakukan berdasarkan pada nilai kecocokan dengan batas minimum
adalah 0.700. Jika nilai kecocokan adalah >=0.700 maka akan diberi label
�benar� pada hasil luaran. Tetapi jika kecocokan adalah < 0.700 antara citra
query dengan citra dari database akan diberi label �salah�.
Sedangkan
sebagai pembanding dilakukan penilaian subyektif didasarkan pada pengamatan
langsung secara visual hasil temu kembali dari sistem oleh peneliti.
Selanjutnya memberikan label benar dan salah pada hasil output sistem
pencarian. Label benar di berikan jika memenuhi kriteria latar yang mirip dan
teks yang mirip minimal 1 kata. Pengujian temu kembali citra disajikan dalam
beberapa tabel di bawah ini. Untuk kolom pengujian subyektif merupakan hasil
pengamatan dari peneliti terhadap luaran query
dari sistem. Dalam mengukur efektifitas sebuah sistem temu kembali informasi
memenuhi permintaan informasi dan kemampuan sistem menyediakan dokumen yang
relevan digunakan perhitungan precision
dan recall. (Dwiyantoro, 2017; Hasugian, 2006; Lestari, 2016)
���� �����������
Tabel 3 Hasil
Nilai Precision Uji Coba query
|
Nilai Precision
Uji Coba |
Query |
||
|
Dari Dataset |
Dari Luar
Dataset |
||
|
20 Keypoint Match |
Precision obyektif |
0.32 |
0.05 |
|
Precision
Subyektif |
0.35 |
0.17 |
|
|
40 Keypoint Match |
Precision obyektif |
0.36 |
0.12 |
|
Precision
Subyektif |
0.35 |
0.20 |
|
Pada
tabel 4 hasil pengujian dengan 20 keypoint
kecocokan antara citra query
dengan citra luaran dari database.
Untuk query yang diambil dari dataset
nilai rata-rata precision mencapai
32% untuk penilaian secara obyektif. Sedangkan nilai rata-rata precision mencapai 35% untuk penilaian
secara subyektif. Untuk query non
dataset nilai rata-rata precision cukup
rendah untuk kedua penilaian yaitu 5% dan 17%. Karena nilai precision �yang cukup rendah maka dilakukan pengujian
kembali dengan meningkatkan jumlah keypoint
match menjadi 40. Hasil uji coba menunjukkan ada peningkatan nilai akurasi
terutama pada query non dataset
menjadi 12% untuk penilaian obyektif dan 20% untuk penilaian subyektif. Nilai precision yang didapat dari keseluruhan
ujicoba yang berada di bawah 50 % masih dibutuhkan pengembangan lebih lanjut
terutama dalam penentuan jumlah keypoint yang cocok pada citra. Uji coba sistem
masih perlu banyak dilakukan agar hasil pengembalian sistem dapat diperbaiki
lagi.
Kesimpulan
Dari
hasil rangkaian ujicoba pada penelitian ini, di dapatkan kesimpulan.
Pengolahan praproses pada citra sebelum
proses ekstraksi dapat membantu meningkatkan hasil pengenalan teks pada citra. Kualitas
penandaan wilayah yang mengandung teks dan non teks pada citra di pengaruhi
banyak factor antara lain: ukuran piksel asli dari citra itu sendiri,
penggunaan warna antara teks dan latar, nilai kontras dan pencahaayaan pada
citra serta jenis font yang
digunakan. Penggunaan metode SIFT dalam proses ekstraksi lokal fitur pada citra
meme dapat dilakukan. Hasil fitur pola dan keypoint dapat digunakan dalam
proses pencocokan dengan citra query. Pengujian menggunakan jumlah kecocokan
keypoint dapat meningkatkan kecocokan pada hasil luaran query. Meskipun hasil
luaran dari sistem masih di bawah hipotesa awal yaitu hanya dibawah 50%. Penggunaan
metode Jaro-Winkler dalam mencocokan antara kata pada keyword query dengan kata
pada citra yang tersimpan di database dapat dilakukan dan membantu peningkatan
nilai luaran dari sistem temu kembali.
Amalia, Amalia, Sharif, Arner, Haisar, Fikri, Gunawan,
Dani, & Nasution, Benny B. (2018). Meme opinion categorization by using
optical character recognition (OCR) and na�ve bayes algorithm. Proceedings
of the 3rd International Conference on Informatics and Computing, ICIC 2018.
https://doi.org/10.1109/IAC.2018.8780410
Cheriet,M., & Kharma,N., Liu,C., Suen, C. Y.
(2006). Character Recognition SystemA Guide for Student and Practioners.
Retrieved from
https://books.google.co.id/books?id=txYpjiK_BmgC&printsec=frontcover&redir_esc=y#v=onepage&q&f=false.
Di akses pada tanggal 10 oktober 2020
Dawkins, Richarcd. (2016). The Selfish Gene: 40th
Anniversary Edition (4th Ed.) (Terjemahan; Kepustakaan Populer Gramedia,
ed.). PT. Gramedia.
Dwiyantoro. (2017). Sistem Temu Kembali Informasi
Dengan Keyword. Jurnal Ilmu Perpustakaan, Informasi, Dan Kearsipan, 5(2),
164�174.
Hasugian, Jonner. (2006). Penelusuran Informasi Ilmiah
Secara Online: Perlakuan Terhadap Seorang Pencari Informasi Sebagai Real User. Pustaha,
2(1), 1-13�13.
Intan, Rolly, Defeng, Andrew, Informatika, Jurusan
Teknik, Industri, Fakultas Teknologi, Kristen, Universitas, & Surabaya,
Petra. (2006). Hard: Subject-Based Search Engine Menggunakan Tf-Idf Dan
Jaccard�S Coefficient. Jurnal Teknik Industri, 8(1), 61�72.
https://doi.org/10.9744/jti.8.1.pp.61-72.
Kurniawati, Anna, Puspitodjati, Sulistyo, &
Rahman, Sazali. (2010). Implementasi Algoritma Jaro-Winkler Distance untuk
Membandingkan Kesamaan Dokumen Berbahasa Indonesia. Proceeding, Seminar
Ilmiah Nasional Komputer Dan Sistem Intelijen KOMMIT 2008, Depok, Indonesia.
Lestari, Nisaa Putri. (2016). Uji Recall and Precision
Sistem Temu Kembali. Universitas Airlangga, 5(3), 45�46.
Retrieved from
http://journal.unair.ac.id/LN@uji-recall-and-precision-sistem-temu-kembali-informasi-opac-perpustakaan-its-surabaya-article-10825-media-136-category-8.html
Nakashima, Yuji, & Kuroki, Yoshimitsu. (2017).
Sift feature point selection by using image segmentation. 2017 International
Symposium on Intelligent Signal Processing and Communication Systems, ISPACS
2017 - Proceedings, 2018-Janua, 275�280. https://doi.org/10.1109/ISPACS.2017.8266488
�zgen, Azmi Can, Fasounaki, Mandana, & Ekenel,
Hazim Kemal. (2018). Text detection in natural and computer-generated images. 26th
IEEE Signal Processing and Communications Applications Conference, SIU 2018,
1�4. https://doi.org/10.1109/SIU.2018.8404600
S. Meshram, Kimaya, & M. Agarkar, Ajay. (2015).
Content Based Image Retrieval Systems using SIFT: A Survey. International
Journal of Electronics and Communication Engineering, 2(10), 18�25.
https://doi.org/10.14445/23488549/ijece-v2i10p105
Saggion, Horacio, & Poibeau, Thierry. (2013). Multi-source,
Multilingual Information Extraction and Summarization. 3�21.
https://doi.org/10.1007/978-3-642-28569-1
Unar, Salahuddin, Wang, Xingyuan, Wang, Chunpeng,
& Wang, Yu. (2019). A decisive content based image retrieval approach for
feature fusion in visual and textual images. Knowledge-Based Systems, 179,
8�20. https://doi.org/10.1016/j.knosys.2019.05.001