APLIKASI PEMINDAI LEMBAR JAWABAN OTOMATIS BERBASIS MOBILE

• Main Author: Putra, Giri Prahasta (Author)
• Format: Book
• Published: 2015-02-27.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Link Metadata

Summary

Penelitian ini mengajukan solusi alternatif pemindaian lembar jawaban komputer menggunakan perangkat smartphone.Pemilihan perangkat ini didasarkan atas harga yang lebih murah, praktis untuk dibawa, namun memiliki kemampuan komputasi yang besar. Dengan memanfaatkan kelebihan inimaka proses Optical Mark Reader (OMR)diadaptasi ke dalam aplikasi mobile.Aplikasi yang dibuat menggunakan lembar jawaban yang didesain khusus. Untuk mendapatkan gambar yang memiliki fitur yang baik, gambar dibinerisasi menggunakan metode Sauvola thresholding dan rektifikasi perspektif citra dengan metode homography. Untuk proses klasifikasi tulisan tangan, penelitian ini menggunakan metode artificialneural network dengan multi-layer perceptron backpropagation. Fitur yang diambil adalah piksel-piksel dari segmen yang telah diektraksi dari proses pengolahan citra. Penelitian ini mengambil karakter angka sebagai masukan identitas penjawab serta pilihan jawaban berupa tanda silang. Data training yang digunakan adalah 100 data untuk karakter penanda jawaban dan 100 data training untuk karakter angka masing-masing dari responden yang berbeda. Setelah dilakukan proses training, model artificial neural network yang dibentuk kemudian diuji menggunakan 10 data lembar jawaban berisi angka identitas dan 60 pilihan jawaban. Dari eksperimen yang dilakukan aplikasi memerlukan rata-rata waktu pemrosesan sebesar 13,598 detik untuk memindai sebuah lembar jawaban. Selain itu, dengan menggunakan aplikasi ini akurasi untuk mengenali tanda silang diperoleh sebesar 93,5%, sedangkan akurasi pengenalan karakter angka sebesar 11,431%. This research propose a solution of multiple choice answer sheet scanning using smartphone device. OMR is a prominent tool to scan the answer sheets and generally used to help to find the score of multi choice answer sheets. But this device is expensive and also has big size that makes it unpractical to bring. By using mobile device that has lower price but has good computational ability, the researcher adapted OMR's process into mobile applications. In this research, the application used specifically designed answer sheet to make it able to be scanned. The sheet used rows marker, columns marker, and also finder pattern marker that adapted from QR Code. To obtain good feature of image, this research used Sauvola method thresholding and also homography rectification. To classify the feature, this research used artificial neural network with multi-layer perceptron and backpropagation. The feature that took from the answer sheet was its pixels and it took number characters as answerer identity, and also answer markers, which using cross sign. This research used 100 training data for answer marks and 100 training data for number characters, which took from different respondent. After artificial neural network model trained, then it tested using 10 answer sheets that filled by identity numbers and 60 multiple-choice answers. From the experiment, the application need average time of 13,98 seconds to scan an answer sheet. By measure its accuracy, this application has 93,5% of accuracy to recognize the cross markers and 11,431% of accuracy to recognize the number characters.

Item Description

http://repository.upi.edu/16633/1/S_KOM_1000231_Title.pdf
http://repository.upi.edu/16633/1/S_KOM_1000231_Abstract.pdf
http://repository.upi.edu/16633/1/S_KOM_1000231_Table_of_content.pdf
http://repository.upi.edu/16633/3/S_KOM_1000231_Chapter1.pdf
http://repository.upi.edu/16633/3/S_KOM_1000231_Chapter2.pdf
http://repository.upi.edu/16633/4/S_KOM_1000231_Chapter3.pdf
http://repository.upi.edu/16633/5/S_KOM_1000231_Chapter4.pdf
http://repository.upi.edu/16633/2/S_KOM_1000231_Chapter5.pdf
http://repository.upi.edu/16633/2/S_KOM_1000231_Bibliography.pdf