KALKULATOR SAINTIFIK BERBASIS KAMERA

  • Nenden Siti Fathonah Universitas Mercubuana Jakarta
  • Achmad Yogie Pratama Universitas 17 Agustus 1945 Surabaya
  • Fajar Astuti Hermawati Universitas 17 Agustus 1945 Surabaya
Keywords: OCR, template matching, correlation

Abstract

Sistem Optical Character Recognition (OCR) merupakan teknologi pengolahan citra untuk mengidentifikasi tulisan atau karakter yang terdapat pada sebuah gambar. Dalam menerjemahkan suatu citra, Optical Character Recognition melakukan segmentasi terlebih dahulu terhadap citra tersebut sehingga menjadi potongan – potongan gambar karakter. Setelah terbagi menjadi potongan – potongan gambar sistem OCR melakukan pengenalan pada masing – masing gambar karakter tersebut. Karakter dalam gambar yang di scan dengan OCR diubah menjadi text yang kemudian ditampilkan ke layar. Penelitian ini mengimplementasikan template matching dengan koefisien correlation untuk mengidentifikasi tulisan atau text yang terdapat pada sebuah citra. Dan kemudian hasil keluaran dari OCR akan diubah menjadi angka dan operator untuk selanjutnya dilakukan proses kalkulasi atau penghitungan. Dan hasil perhitungan kemudian ditampilkan ke layar. Dari beberapa percobaan diperoleh akurasi pengenalan dan perhitungan sebesar 85%.

References

S. K. Singla and R. K. Yadav, “Optical character recognition based speech synthesis system using LabVIEW,” Journal of Applied Research and Technology, vol. 12, no. 5, pp. 919–926, 2014.

K. Hamad and M. Kaya, “A Detailed Analysis of Optical Character Recognition Technology,” International Journal of Applied Mathematics, Electronics and Computers, vol. 4, no. Special Issue-1, pp. 244–244, 2016.

K. Apriyanti and T. Wahyu Widodo, “Implementasi Optical Character Recognition Berbasis Backpropagation untuk Text to Speech Perangkat Android,” IJEIS (Indonesian Journal of Electronics and Instrumentation Systems), vol. 6, no. 1, p. 13, 2016.

N. Sahu and M. Sonkusare, “A Study on Optical Character Recognition Techniques,” International Journal of Computational Science, Information Technology and Control Engineering, vol. 4, no. 1, pp. 01–15, 2017.

G. Baek and S. Kim, “Two Step Template Matching Method with Correlation Coefficient and Genetic Algorithm,” in Huang DS., Jo KH., Lee HH., Kang HJ., Bevilacqua V. (eds) Emerging Intelligent Computing Technology and Applications. With Aspects of Artificial Intelligence. ICIC 2009., Berlin, Heidelberg: Springer, 2009.

F. A. Hermawati and R. Koesdijarto, “A Real-Time License Plate Detection System,” TELKOMNIKA: Indonesian Journal of Electrical Engineering, vol. 8, no. 1, pp. 97–106, 2010.

S. A. Dongare, D. B. Kshirsagar, N. J. Khapale, and A. D. Pawar, “Artificial Neural Network For Recognition Of Handwritten Devanagari Character,” IOSR Journal of Computer Engineering (IOSR-JCE), vol. 17, no. 1, pp. 60–64, 2015.

R. Anugrah and K. B. Y. Bintoro, “Latin Letters Recognition Using Optical Character Recognition to Convert Printed Media Into Digital Format,” Jurnal Elektronika dan Telekomunikasi, vol. 17, no. 2, p. 56, 2017.

S. P. Raghavendra and A. Danti, “A novel recognition of Indian bank cheques using feed forward neural network,” IOSR Journal of Computer Engineering (IOSR-JCE), vol. 20, no. 3, pp. 44–59, 2018.

F. A. Hermawati and N. Sholeh, “Pengenalan Rambu Batas Kecepatan Pada Sebuah Citra Dengan Metode Template Matching,” KONVERGENSI, vol. 6, no. 1, pp. 1–8, 2010.

G. Baek and S. Kim, “Two step template matching method with correlation coefficient and genetic algorithm,” Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), vol. 5755 LNAI, pp. 85–90, 2009.

Published
2020-07-03
Section
Articles