UNIBAUNIBA

Jurnal Teknik Elektro Uniba (JTE UNIBA)Jurnal Teknik Elektro Uniba (JTE UNIBA)

Pengenalan teks pada rambu petunjuk jalan merupakan tantangan utama dalam pengolahan citra digital, terutama ketika menghadapi kondisi pencahayaan yang bervariasi, distorsi gambar, dan perbedaan ukuran font pada rambu. Artikel ini membahas penggunaan Maximally Stable Extremal Regions (MSER), sebuah metode deteksi fitur, untuk segmentasi teks pada gambar rambu jalan, yang kemudian dilanjutkan dengan penerapan Optical Character Recognition (OCR) untuk mengenali karakter-karakter yang terdeteksi. MSER berfungsi untuk mengidentifikasi dan mengekstrak wilayah-wilayah stabil dalam gambar sehingga membantu memisahkan teks dari latar belakang atau elemen non-teks, serta terbukti efisien dalam mengatasi tantangan visual akibat bayangan, pantulan cahaya, dan kualitas gambar yang rendah. Setelah teks berhasil disegmentasi, OCR digunakan untuk mengonversi teks dalam gambar menjadi teks digital yang dapat diproses oleh komputer, sehingga memungkinkan sistem mengenali berbagai jenis font dan orientasi teks dengan lebih akurat. Berdasarkan hasil pengujian, metode MSER mampu mendeteksi area teks dengan nilai precision sebesar 85,7% dan recall sebesar 85,7%, sehingga menghasilkan F1-score sebesar 85,7%, sementara sistem OCR menunjukkan rata-rata akurasi pembacaan teks sebesar 91,6%. Kesalahan deteksi terutama terjadi pada kondisi pencahayaan rendah dan sudut pengambilan citra yang miring, yang mempengaruhi kestabilan region pada proses ekstraksi MSER dan berdampak pada hasil pembacaan OCR.

Penerapan metode deteksi fitur MSER (Maximally Stable Extremal Regions) untuk melakukan segmentasi teks pada rambu petunjuk jalan dengan memisahkan teks dari latar belakang gambar sehingga memudahkan proses ekstraksi informasi, yang kemudian dilanjutkan dengan pembacaan teknologi Optical Character Recognition (OCR) untuk mengubah citra teks menjadi data digital yang dapat diproses secara otomatis.Kombinasi MSER dan OCR menghasilkan sistem yang mampu mengenali teks rambu secara otomatis dan berpotensi meningkatkan kinerja pengenalan teks pada berbagai aplikasi seperti navigasi otomatis, kendaraan otonom, dan sistem bantuan pengemudi, sekaligus mengurangi ketergantungan pada input manual.Berdasarkan hasil pengujian, metode MSER mampu mendeteksi area teks dengan nilai precision sebesar 85,7% dan recall sebesar 85,7% sehingga menghasilkan F1-score sebesar 85,7%, sementara sistem OCR menunjukkan rata-rata akurasi pembacaan teks sebesar 91,6%.Kesalahan deteksi terutama terjadi pada kondisi pencahayaan rendah dan sudut pengambilan citra yang miring, yang mempengaruhi kestabilan region pada proses ekstraksi MSER dan berdampak pada hasil pembacaan OCR.Dengan demikian, kombinasi teknik MSER dan OCR terbukti efektif untuk segmentasi dan pembacaan karakter pada rambu petunjuk jalan serta berpotensi mendukung pengembangan sistem transportasi dan navigasi yang lebih cerdas dan otonom.

Untuk penelitian lanjutan, dapat dipertimbangkan beberapa arah studi berikut: . . 1. Mengembangkan model deteksi dan OCR yang lebih adaptif terhadap variasi kondisi pencahayaan dan sudut pengambilan gambar, dengan memanfaatkan teknik-teknik pembelajaran mesin yang lebih canggih seperti deep learning atau transfer learning. . . 2. Meneliti dan mengoptimalkan teknik-teknik pra-pemrosesan citra, seperti binarisasi, denoising, dan deskewing, untuk meningkatkan kualitas citra hasil segmentasi MSER dan akurasi OCR. . . 3. Menganalisis dan mengidentifikasi faktor-faktor yang mempengaruhi kestabilan region pada proses ekstraksi MSER, serta mengembangkan teknik-teknik penyaringan dan penyempurnaan hasil deteksi untuk mengurangi kesalahan deteksi dan meningkatkan akurasi sistem secara keseluruhan.

Read online
File size586.01 KB
Pages8
DMCAReport

Related /

ads-block-test