Scrape Data dari Gambar dengan Python

Kekerasan terhadap perempuan kerapkali terjadi di Indonesia. Berdasarkan data yang berasal dari Portal Simfoni Kementerian PPPA, jumlah kasus kekerasan terhadap perempuan di tahun 2018 saja mencapai 12.867 kasus.

Fakta miris juga diungkap oleh Kemnas Perempuan, dalam sehari saja, terdapat setidaknya 35 perempuan, termasuk anak perempuan yang mengalami tindak kekerasan. Ini mengartikan, bahwa dalam sejam, terdapat 3 kasus kekerasan terhadap perempuan di Indonesia selama 2018.

Iseng-iseng, saya membaca ulasan media Tempo dengan data dari Kementerian PPPA tersebut. Dengan narasi yang bernas, ulasan mengenai kekerasan terhadap perempuan di Indonesia selama 2018 dibingkai dengan baik melalui sebuah infografis (dalam bentuk gambar). Saya kemudian terpikir bila suatu data yang esensinya penting untuk dibagipakaikan lantas bentuknya dalam image atau gambar, lantas bagaimana cara mendapatkannya?

Tebersitlah saya untuk belajar bagaimana melakukan scraping data yang terkandung pada suatu gambar. Untuk melakukan scrape data pada gambar, pertama kita perlu melakukan instalasi sebuah aplikasi yang dapat "membaca" teks di dalam gambar (bisa diunduh pada tautan berikut). Sedangkan infografisnya adalah sebagai berikut:

Infografis kekerasan terhadap perempuan selama 2018, sumber: grafis.tempo.co (2018)

Setelah diinstal di direktori C, langkah-langkah melakukan scrape data pada infografis Tempo adalah sebagai berikut:

Untitled

In [167]:

from PIL import Image
from pytesseract import pytesseract

In [168]:

# Defining paths to tesseract.exe
# and the image we would be using
path_to_tesseract = r"C:\Program Files\Tesseract-OCR\tesseract.exe"
image_path = r"C:\Users\Joko Ade\Downloads\kkp.png"

In [169]:

# Opening the image & storing it in an image object
img = Image.open(image_path)
img

Out[169]:

In [170]:

#Memotong bagian yang penting
image_path = r"C:\Users\Joko Ade\Downloads\kkpcopy.png"
img = Image.open(image_path)
img

Out[170]:

In [171]:

#Mengekstrak path pada image atau gambar
pytesseract.tesseract_cmd = path_to_tesseract

In [172]:

#Memilah antara obyek gambar (path)
#dengan teks string menggunakan fungsi image_to_string()
#Mengekstraks teks dari gambar
text = pytesseract.image_to_string(img)
text

Out[172]:

'Pacar 1.528\nAyah kandung 425\nPaman 322\n\nAyah tii 205\nSuami 192\n\nKakak kandung 89\nKakak ipar 51\n\nSepupu fle\nMajikan 2h\nMantan suami 12\nKakaktiri 10\nMantan pacar\n\n8\nKakektiri 3\nAyah angkat = 2\nAyahasuh 2\nIbu 2\n\nKakak angkat = 1\nPRT laki-laki 1\n'

In [176]:

#Konversi dalam bentuk list dengan membersihkan karakter \n
import re
text2 = re.findall('(.+)', text)
text2

Out[176]:

['Pacar 1.528',
 'Ayah kandung 425',
 'Paman 322',
 'Ayah tii 205',
 'Suami 192',
 'Kakak kandung 89',
 'Kakak ipar 51',
 'Sepupu fle',
 'Majikan 2h',
 'Mantan suami 12',
 'Kakaktiri 10',
 'Mantan pacar',
 '8',
 'Kakektiri 3',
 'Ayah angkat = 2',
 'Ayahasuh 2',
 'Ibu 2',
 'Kakak angkat = 1',
 'PRT laki-laki 1']

In [178]:

#Mengubah menjadi dataframe
df = pd.DataFrame({'teks':text2})
df

Out[178]:

	teks
0	Pacar 1.528
1	Ayah kandung 425
2	Paman 322
3	Ayah tii 205
4	Suami 192
5	Kakak kandung 89
6	Kakak ipar 51
7	Sepupu fle
8	Majikan 2h
9	Mantan suami 12
10	Kakaktiri 10
11	Mantan pacar
12	8
13	Kakektiri 3
14	Ayah angkat = 2
15	Ayahasuh 2
16	Ibu 2
17	Kakak angkat = 1
18	PRT laki-laki 1

In [179]:

#Menghapus baris ke-12 dalam dataframe
df2 = df.drop(labels = 12)
df2

Out[179]:

	teks
0	Pacar 1.528
1	Ayah kandung 425
2	Paman 322
3	Ayah tii 205
4	Suami 192
5	Kakak kandung 89
6	Kakak ipar 51
7	Sepupu fle
8	Majikan 2h
9	Mantan suami 12
10	Kakaktiri 10
11	Mantan pacar
13	Kakektiri 3
14	Ayah angkat = 2
15	Ayahasuh 2
16	Ibu 2
17	Kakak angkat = 1
18	PRT laki-laki 1

In [180]:

#Memperbaiki sejumlah teks, ejaan, dan data sesuai gambar
#karena beberapa angka dan teks tidak terekstraks sempurna
df3 = df2.replace('Mantan pacar', 
                  'Mantan pacar 8', regex=True)
df3 = df3.replace('=', '', regex=True)
df3 = df3.replace('fle', '44', regex=True)
df3 = df3.replace('2h', '24', regex=True)
df3 = df3.replace('Ayah tii', 'Ayah tiri', regex=True)
df3

Out[180]:

	teks
0	Pacar 1.528
1	Ayah kandung 425
2	Paman 322
3	Ayah tiri 205
4	Suami 192
5	Kakak kandung 89
6	Kakak ipar 51
7	Sepupu 44
8	Majikan 24
9	Mantan suami 12
10	Kakaktiri 10
11	Mantan pacar 8
13	Kakektiri 3
14	Ayah angkat 2
15	Ayahasuh 2
16	Ibu 2
17	Kakak angkat 1
18	PRT laki-laki 1

In [181]:

#Ekstraksi jumlah kasus kekerasan dengan korban Perempuan selama 2018
df3['Jumlah'] = 
df3['teks'].astype('str').str.extractall('(\d+)').unstack().fillna('').sum(axis=1).astype(int)
df3

Out[181]:

	teks	Jumlah
0	Pacar 1.528	1528
1	Ayah kandung 425	425
2	Paman 322	322
3	Ayah tiri 205	205
4	Suami 192	192
5	Kakak kandung 89	89
6	Kakak ipar 51	51
7	Sepupu 44	44
8	Majikan 24	24
9	Mantan suami 12	12
10	Kakaktiri 10	10
11	Mantan pacar 8	8
13	Kakektiri 3	3
14	Ayah angkat 2	2
15	Ayahasuh 2	2
16	Ibu 2	2
17	Kakak angkat 1	1
18	PRT laki-laki 1	1

In [182]:

#Ekstraksi pelaku kekerasan terhadap perempuan selama 2018
df3['Pelaku'] = 
df3['teks'].astype('str').replace('(\d)','',regex=True).replace('[.]','',regex=True)
df3

Out[182]:

	teks	Jumlah	Pelaku
0	Pacar 1.528	1528	Pacar
1	Ayah kandung 425	425	Ayah kandung
2	Paman 322	322	Paman
3	Ayah tiri 205	205	Ayah tiri
4	Suami 192	192	Suami
5	Kakak kandung 89	89	Kakak kandung
6	Kakak ipar 51	51	Kakak ipar
7	Sepupu 44	44	Sepupu
8	Majikan 24	24	Majikan
9	Mantan suami 12	12	Mantan suami
10	Kakaktiri 10	10	Kakaktiri
11	Mantan pacar 8	8	Mantan pacar
13	Kakektiri 3	3	Kakektiri
14	Ayah angkat 2	2	Ayah angkat
15	Ayahasuh 2	2	Ayahasuh
16	Ibu 2	2	Ibu
17	Kakak angkat 1	1	Kakak angkat
18	PRT laki-laki 1	1	PRT laki-laki

In [183]:

#Aktivasi beberapa package untuk visualisasi
from pywaffle import Waffle
import matplotlib.pyplot as plt
import random

In [184]:

#Mengenerate 18 warna random untuk visualisasi 18 pelaku kekerasan terhadap perempuan selama 2018
jumwar = 18
warna = ["#"+''.join([random.choice('0123456789ABCDEF') for j in range(6)])
             for i in range(jumwar)]
print(warna)

['#5155F2', '#7BC735', '#3022A8', '#8E9561', '#2FBCF4', '#E94282', '#DFC570', '#A4CF2B', '#D0C248', '#AAF70E', '#829484', '#233995', '#6CD03A', '#06EF64', '#BCAD8F', '#886475', '#A6DFB9', '#5D5B1E']

In [185]:

#Visualisasi Waffle Plot dengan custome image perempuan
fig = plt.figure(figsize = (25,15),
    FigureClass=Waffle, 
    rows=18, 
    values=df3.Jumlah, 
    colors=warna,
    legend={'loc': 'upper left', 'bbox_to_anchor': (1,1)},
    icons='female', icon_size=15, 
    icon_legend=True
)

In [186]:

#Visualisasi bar plot 
df3_sort = df3.sort_values(by = "Jumlah")
plt.figure(figsize=(15,15))
plt.barh(df3_sort.Pelaku, width = df3_sort.Jumlah)
plt.xlabel("Jumlah (Kasus)")
plt.ylabel("Pelaku")
plt.title("Kasus Kekerasan Terhadap Perempuan menurut Pelakunya Tahun 2018")
plt.show()