Jurnal Ilmu Komputer dan Sistem informasi
APLIKASI PENGENALAN KARAKTER TULISAN TANGAN DENGAN EKSTRAKSI CIRI DWT Yusten Wuntoro1) Chairisni Lubis2) Agus Budi Dharmawan3) 1)2)3) Teknik Informatika Universitas Tarumanagara Jl. S. Parman No. 1, Blok R Lantai XI, Jakarta 11440 email : 1)
[email protected]
Discrete Wavelet Transform, Haar Wavelet, Daubechies Wavelet, Euclidean Distance, Manhattan Distance , Character recognition
dilihat dari bentuk, ukuran, sudut yang bervariasi pada tulisan tangan yang dibuat manusia. Kinerja manusia dalam pembacaan teks telah menjadi kekuatan pendorong utama dibalik banyak kegiatan penelitian dibidang ini.[2] Di sisi lain, bidang ini cukup penting dari sudut pandang aplikasi berorientasi komersial. Pembacaan alamat secara otomatis, pengolahan cek bank, dan pengenalan teks yang diisi dengan tangan pada formulir telah menjadi tantangan utama dalam penelitian pengenalan tulisan tangan. Selain itu, data tulisan tangan sering digunakan untuk memvalidasi dan menguji kinerja dari suatu metode baru yang dikembangkan. Untuk memudahkan pekerjaan manusia dalam mengenali karakter dari tulisan tangan dalam bentuk softcopy, maka akan dibuat aplikasi yang dapat mengenali karakter tulisan tangan. Aplikasi Pengenalan karakter ini bertujuan untuk mengubah gambar citra bentuk tulisan tangan menjadi teks. Membandingkan metode ekstraksi ciri Haar lv 1, Haar lv 2, Daubechies lv 1, Daubechies lv 2. Membandingkan metode pengenalan Euclidean distance dan Manhattan distance
1. Pendahuluan
2. Landasan Teori
Kecanggihan teknologi telah membuat banyak perubahan pada diri manusia. Salah satu kecanggihan teknologi tersebut adalah komputer. Dahulu komputer merupakan alat hitung dan alat ketik, namun seiring dengan berjalannya waktu, komputer telah berubah menjadi alat yang menyimpan data, mengolah data, pengolahan citra atau gambar. Perkembangan teknologi membawa pengaruh pada kehidupan manusia. Selain digunakan untuk membantu mengerjakan pekerjaan manusia, aplikasi yang dirancang juga semakin efektif. Salah satu contoh aplikasinya adalah pengenalan karakter pada tulisan tangan. Tulisan tangan adalah hasil atau cara menulis dengan menggunakan tangan oleh seorang individu. [1]Beberapa hasil penelitian menunjukan bahwa tulisan tangan setiap orang unik dan dapat dikenali dengan perangkat lunak khusus. Tulisan tangan manusia memiliki karakter tulisan yang berbeda-beda. Tulisan tangan yang dibuat manusia tidak selalu berbentuk lurus, melainkan ada yang berbentuk miring. Hal ini dapat
Sistem yang dirancang adalah aplikasi pengenalan karakter tulisan tangan menggunakan metode Discrete Wavelet Transform (DWT) dan metode pengenalan Euclidean Distance dan Manhattan Distance. Citra masukan berupa foto karakter tulisan tangan yang diambil menggunakan scanner. Dalam aplikasi pengenalan karakter ini terdapat dua tahap yang dilakukan, yaitu tahap pelatihan dan tahap pengenalan. Aplikasi ini menerima citra input berupa citra digital. Tahap awal yang dilakukan adalah mendapatkan gambar berupa jpeg dari karakter tulisan yang sudah discan. Selanjutnya dilakukan proses segmentasi huruf karakter pada gambar. Setelah itu citra berupa gambar diubah menjadi bentuk grayscale. Setelah itu akan dilakukan proses thresholding atau pengambangan dimana pola karakter akan diubah menjadi angka biner yaitu 0 dan 1. Selanjutnya akan dilakukan proses Normalisasi ukuran agar ukuran gambar menjadi 128 x 128 pixel. Setelah itu karakter akan di tipiskan melalui proses thinning. Setelah karakter tulisan menjadi tipis
ABSTRACT Some research indicates that every person's handwriting is unique and can be recognized by special software. To translate handwritten characters then made an application to the method of DWT (Discrete Wavelet Transform). The process is done in recognition of handwritten characters is done transferring pictures to a computer handwritten, pre-processing by using grayscale, thresholding, normalization size, thinning, edge detection Sobel, slant angle that is used when a character italics, the feature extraction Discrete Wavelet Transform is used and recognition using Euclidean Distance and Manhattan Distance. Test results from all capital letters to 260 data with 208 training data and 52 55% of the successful introduction of data on Haar lv 1, 52% in Haar lv 2, 48% on Daubechies lv 1, and 67% on Daubechies lv 2.
Key words
237
Jurnal Ilmu Komputer dan Sistem Informasi akan dilakukan proses pendeteksian tepi menggunakan operator Sobel. Setelah itu karakter akan diluruskan dengan slant angel. Setelah proses slant angel, dilakukan ekstraksi ciri menggunakan Discrete Wavelet Transform (DWT). Proses ini, untuk membersihkan gambar dari bintik hitam setelah proses scan dan meresolusikan gambar atau mengecilkan gambar karakter tulisan sehingga karakter memiliki resolusi kecil dari yang 128 x 128 pixel menjadi 32 x 32 pixel. [3]DWT yang digunakan ialah DWT level 1 dan DWT level 2 dengan menggunakan metode Haar wavelet dan Daubechies wavelet yang akan menghasilkan 4 dan 7 subband yaitu LH, HL, HH, LLLL, LLLH, LLHL, LLHH. [4] Kemudian akan di cari nilai mean, varian dan deviasi untuk proses pengenalan. Kemudian akan dilanjutkan proses pengenalan dengan metode euclidean distance dan manhattan distance. Dalam 2 metode ini memiliki fungsi yang sama yaitu mengukur jarak terdekatnya. Pada sub bab selanjutnya akan dijelaskan teori-teori yang mendukung yaitu: Grayscale,Thinning, Haar Wavelet, Daubechies Wavelet, Euclidean Distance, dan Manhattan Distance
2.2. Thinning Thinning adalah operasi pemrosesan citra biner yang dalam hal ini objek direduksi menjadi rangka yang menghampiri garis sumbu objek.[7] Tujuan penipisan adalah mengurangi bagian yang tidak perlu sehingga hanya dihasilkan informasi yang esensial saja.[7] Pola hasil penipisan harus tetap mempunyai bentuk yang menyerupai pola asalnya.
(a) Huruf “d”
(b) penipisan huruf “d”
Gambar 1 Contoh Hasil Thinning
Setiap iterasi dari metode ini terdiri dari 2 sub-iterasi yang berurutan yang dilakukan terhadap countour points dari wilayah citra. [8]Countour point adalah setiap pixel dengan nilai 1 dan memiliki setidaknya satu 8 neighbour yang memiliki nilai 0. [8]Langkah pertama yang dilakukan adalah menandai contour point p untuk dihapus jika semua kondisi dipenuhi: [8] 1. 2 ≤ N (P1) ≤ 6 2. S(P1) = 1 3. P2 * P4 * P6 = 0 4. P4 * P6 * P8 = 0
2.1 GRAYSCALE Grayscale merupakan suatu tingkatan keabuan yang dapat dinyatakan dengan warna tidak nyata atau memiliki warna yang pudar.[5] Warna yang paling gelap adalah hitam yaitung ada atau tidak adanya cahaya yang dapat terpancar atau dicerminkan. Warna yang paling terang adalah putih, yaitu adanya transmisi atau pemantulan dari suatu cahaya pada semua panjang gelombang tampak. Pada kasus dengan suatu cahaya yang terpancar (antara lain image pada satu layar komputer), taraf terang dari kumpulan komponen merah (R), hijau (G) dan biru (B).[5] Komponen dapat mewakili sistem desimal dari nomor 0 sampai 255 atau biner 00000000 sampai 11111111. Hitam dinyatakan dengan r = g = b = 00000000, dan putih dinyatakan dengan r = g = b = 255 atau r = g = b = 11111111. [5] Karena nilai 8 bit dinyatakan sebagai tingkat keabuan, sehingga cara ini dikenal dengan 8 – grayscale bit.[5] Citra digital yang terdiri dari RGB diubah kedalam grayscale dengan perhitungan sebagai berikut :[5] Grayscale = (0.3 x R) + (0.59 x G) + (0.11 x B) (1)
dengan N(p1) adalah jumlah tetangga dari p1 yang tidak 0; yaitu, N(p1) = p2 + p3 + ... + p8 + p9 P9
P2
P3
P8
P1
P4
P7
P6
P5
dan nilai S(p1) adalah jumlah dari transisi 0-1 pada urutan p2,p3,...,p8,p9. [8]Dan pada langkah kedua, kondisi (a) dan (b) sama dengan langkah pertama, sedangkan kondisi (c) dan (d) diubah menjadi P2 * P4 * P6 = 0 P4 * P6 * P8 = 0 Langkah pertama dilakukan terhadap semua border piksel di citra. Jika salah satu dari keempat kondisi diatas tidak dipenuhi atau dilanggar maka nilai piksel yang bersangkutan tidak diubah.[8] Sebaliknya jika semua kondisi tersebut dipenuhi maka piksel tersebut ditandai untuk penghapusan.[8] Piksel yang telah ditandai tidak akan dihapus sebelum semua border points selesai diproses. [8]Hal ini berguna untuk mencegah perubahan struktur data. [8]Setelah langkah 1 selesai dilakukan untuk semua border points maka dilakukan penghapusan
Keterangan : R = Red G = Green B = Blue Nilai-nilai tersebut didapatkan dengan cara menyesuaikan intensitas warna pada mata manusia.[6] Karena pada mata manusia lebih kuat warna hijau, merah dan terakhir warna biru.[6]
238
Jurnal Ilmu Komputer dan Sistem Informasi 1. Dilakukan transformasi pertama dengan membagi 2 matriks citra bedasarkan kolom, sehingga menghasilkan 2 sub-band, sebelah kiri frekuensi rendah dan sebelah kanan dengan frekuensi tinggi. 2. Selanjutnya matriks citra dibagi 2 bedasarkan baris dan menghasilkan 4 sub-band, yaitu LL, LH, HL, dan HH. 3. Pada proses transformasi ke dua dilakukan pada subband LL, dengan proses yang sama pada transformasi pertama dan menghasilkan sub-band LLLL, LLLH, LLHL, dan LLHH.
untuk titik yang telah ditandai (diubah menjadi 0).[8]
2.3 Haar wavelet Transformasi wavelet telah digunakan sebagai ekstraksi ciri yang merupakan input bagi analisis tekstur dan penggolongan tekstur.[9] Hal ini disebabkan karena wavelet mempunyai kemampuan untuk membawa keluar ciri-ciri (feature) khusus pada suatu gambar yang diteliti[9]. Proses transformasi wavelet secara konsep memang sederhana. Citra semula yang ditransformasi dibagi (didekomposisi) menjadi empat sub-image baru untuk menggantikan citra asli. Setiap sub-image berukuran 1/4 kali dari citra asli, 3 sub-image pada posisi atas kanan, bawah kiri, dan bawah kanan akan tampak seperti versi kasar dari citra asli, karena berisi komponen frekuensi tinggi dari citra asli.[10] Sedangkan untuk sub-image pada kiri atas tampak seperti citra asli dan tampak lebih halus, karena berisi komponen frekuensi rendah dari citra asli
Hasil akhir dari proses transformasi haar wavelet adalah 7 sub-band, yaitu: LL, LH, HL, LLLL, LLLH, LLHL, dan LLHH. [10]Dari setiap sub-band akan dihitung nilai mean deviation, sehingga menghasilkan 7 nilai feature vector. Nilai mean deviation dapat dirumuskan sebagai berikut :
= ∑ ,
( ,
)
(4)
Keterangan: MD = mean deviation N = jumlah koefisien wavelet tiap subband n = nomor subband
Gambar 2 Contoh transformasi wavelet level 3 pada citra Gambar 3 Transformasi Haar Wavelet sampai level 2
Salah satu transformasi wavelet yang paling sering digunakan adalah Haar Wavelet. Haar merupakan wavelet yang paling tua dan paling sederhana, diperkenalkan oleh Alfred Haar pada tahun 1909. [11]Haar telah menjadi sumber ide bagi munculnya keluarga wavelet lainnya, seperti Daubechies dan lain sebagainya. Untuk mengekstraksi ciri tekstur, dilakukan proses averaging untuk mendapatkan bagian dengan frekuensi rendah dan dilakukan proses differencing untuk mendapatkan bagian dengan frekuensi tinggi. Berikut rumus untuk mencari nilai averaging dan differencing :[10]
= =
2.4 Daubechies Wavelet Istilah Daubechies wavelet diambil dari nama penciptanya, ahli matematika Inggrid Daubechies. Daubechies menemukan hal yang penting dan berguna mengenai koefisien filter. Daubechies wavelet merupakan bagian dari Discrete Wavelet Transform (DWT). Daubechies Db 4 digunakan sebagai contoh perhitungan transformasinya, yang memiliki empat koefisien lowpass filter dan empat koefisien highpass filter.[13] Nilai koefisien fungsi skala Daubechies Db 4 adalah: [13] ℎ = 0,483, ℎ = 0,8365, ℎ = 0,2241, ℎ = -0,1294 Sedangkan nilai koefisien fungsi wavelet Daubechies Db 4 adalah: ! = −0,1294, ! = −0,2241 , ! = 0,8365, ! = −0,483 Cara mendapatkan nilai koefisien fungsi wavelet ini yaitu, dengan membalikan urutan dari nilai koefisien fungsi skala, dan mengubah tanda positif negatif dari tiap nilai. Misalkan koefisien fungsi skala adalah ℎ , ℎ , ℎ , ℎ , ℎ, , ℎ- , maka nilai fungsi waveletnya ( !. )
(2) (3)
Keterangan: = nilai averaging = nilai differencing Berikut langkah-langkah melakukan transformasi citra dengan haar wavelet:[12]
239
Jurnal Ilmu Komputer dan Sistem Informasi adalah[7] g0 = h5, g1 = -h4, g2 = h3, g3 = -h2, g4 = h1, g5 = -h0.[13]
Modul ini berisi judul sistem yang dirancang beserta pilihan menu file, about, help, exit dan terdapat 2 button yaitu Proses pengenalan dan Proses pelatihan. Pada menu file terdapat pilihan, yaitu submenu Database, submenu testing dan close. 2. Pembuatan Modul Pelatihan Modul ini berfungsi sebagai modul latih citra tulisan tangan yang digunakan. Pada modul ini terdapat pilihan: a. “Edge Sobel” digunakan untuk membedakan antara background dan karakter, kita dapat memilih apakah ingin menggunakan “Edge Sobel” sebagai pelatihan atau tidak. b. “Slant Angle” digunakan untuk meluruskan gambar karakter yang berbentuk miring, kita dapat memilih apakah ingin menggunakan “Slant Angle” atau tidak. c. “Thinning” digunakan untuk menipiskan tulisan yang, kita dapat memilih apakan ingin menggunakan “Thinning” atau tidak. d. “Char” digunakan untuk untuk menyimpan huruf apakah itu huruf A,B,C,D,Etc. 3. Pembuatan Modul Pengenalan Modul ini berfungsi sebagai modul pengenalan citra tulisan tangan. Pada modul ini terdapat pilihan: a. “Wavelet Future” digunakan untuk mendapatkan hasil dari nilai wavelet antara Haar level 1, Haar level 2, Daubechies level 1, atau Daubechies level 2. b. “Distance Method” digunakan untuk mendapat hasil dari Manhattan distance atau Euclidean distance. 4. Pembuatan Modul Database Modul ini berfungsi sebagai penyimpan seluruh gambar pada pelatihan.
2.5 Euclidean Distance Euclidean Distance adalah jarak diantara dua buah obyek atau titik. Euclidean Distance dapat digunakan untuk mengukur kemiripan (matching) sebuah obyek dengan obyek lain. [14]Dalam pembuatan sistem ini, Euclidian Distance digunakan untuk mencari selisih antara vektor ciri dari citra tulisan tangan yang akan diuji dengan vektor ciri dari citra latih. Semakin kecil nilai citra hasil perhitungan Euclidian distance, maka dianggap citra tersebut serupa dengan citra yang diinput, Rumus Euclidian Distance adalah sebagai berikut:[14]
/(01 − 21 ) = 3∑415 (01 − 21 )
(5)
2.6 Manhattan Distance Manhattan distance biasa disebut juga City blok distance merupakan perbedaan rata-rata antara dua atau lebih dimensi yang digunakan untuk menetapkan jarak. Manhattan distance merupakan heuristic standar.[14] Fungsi heuristic ini digunakan untuk kasus dengan pergerakan pada peta hanya lurus (horizontal atau vertikal), tidak diperbolehkan pergerakan diagonal. Rumusan manhattan distance dapat dilihat pada persamaan berikut:[14]
/(0, 2) = ∑1 |01 − 21 |
(6)
3. Pembuatan
4. Pengujian
Spesifikasi perangkat keras yang digunakan adalah sebagai berikut : 1. Processor Intel(R) Core(TM) 2 Duo T6500 2.1 GHz 2. Memori 4 Gigabyte DRR3 3. Hardisk 320 GB 4. Monitor 14” 5. Optical Mouse
Pengujian dilakukan untuk mengetahui persentasi keberhasilan pengenalan karakter dari program yang telah dibuat. Data yang digunakan berasal dari tulisan tangan yang sudah berformat jpeg. Dari semua data yang di dapat berjumlah 620 huruf yang berbeda, dari huruf besar, huruf kecil, dan angka. Kemudian data tersebut dilakukan manual cropping berdasarkan ukuran data tersebut. Tahap awal dilakukan pembelajaran citra latih dari semua data 620 huruf dan angka yang berbeda jenis. Dilakukan pembelajaran 496 data dari seluruh huruf kecil, huruf besar, dan angka dengan preproses menggunakan Edge Detection Sobel dan Thinning. Kemudian dilakukan pembelajaran 208 data dari seluruh huruf besar dengan pre-proses Edge Detection Sobel dan Thinnning. Selanjutnya dilakukan pembelajaran 208 data dari seluruh huruf kecil dengan pre-proses Edge Detection Sobel dan Thinning, kemudian dilakukan pembelajaran 180 data dari seluruh angka dengan preproses Edge Detection Sobel dan Thinning.
Perangkat lunak yang digunakan pada aplikasi ini adalah sebagai berikut : 1. Sistem operasi Microsoft Windows 7 Ultimate 2. Microsoft Visual Studio 2010 3. Notepad 4. Microsoft Word 2007 5. Paint 6. HelpMaker 7.4.4.0 Tahap-tahap dalam pembuatan program Pengenalan Karakter Huruf Menggunakan Ekstraksi Ciri DWT adalah sebagai berikut : 1. Pembuatan Modul Menu Utama
240
Jurnal Ilmu Komputer dan Sistem Informasi Pada tahap pengujian dibagi menjadi 4 tahap yang berbeda. Yang pertama adalah pengujian dengan menggunakan pre-proses Edge Detection Sobel dan Thinning dengan menggunakan Euclidean Distance dan dengan ekstraksi ciri Haar lv 1, Haar lv 2, Daubechies lv 1, Daubechies lv 2, dimana kita akan melihat hasil yang didapat dari ekstraksi ciri tersebut. Pada tahap kedua dilakukan pengujian dengan pre-proses Edge Detection Sobel dengan menggunakan Euclidean Distance kemudian kita dapat memilih ekstraksi ciri Haar lv 1, Haar lv 2, Daubechies Lv 1, Daubechies lv 2. Yang ke tiga adalah pengujian dengan pre-proses Edge Detection Sobel dan Thinning dengan menggunakan Manhattan Distance kita dapat memilih ekstraksi ciri Haar lv 1, Haar lv 2, Daubechies lv 1 dan Daubechies lv 2. Pengujian yang ke empat dengan pre-proses Edge Detection Sobel, dan menggunakan Manhattan Distance dan dengan ekstraksi ciri Haar lv 1, Haar lv 2, Daubechies lv 1 dan Daubechies lv 2. Tingkat keberhasilan dari program yang didapat dapat dilihat hasil pengujian.
Tabel 3 adalah hasil pengenalan seluruh data yang ada dari huruf besar dengan menggunakan pre-proses Edge Detection Sobel. Tabel 4 adalah hasil pengenalan seluruh data yang ada dari huruf besar dengan pre-proses Edge Detection Sobel dan Thnning. Jumlah data yang diuji berjumlah 52 data dari 260 data
Tabel 1 Hasil pengenalan dengan menggunakan semua data citra yang ada dengan pre-proses Edge Detection Sobel
Tabel 5 adalah hasil pengenalan seluruh data yang ada dari huruf kecil dengan menggunakan pre-proses Edge Detection Sobel. Tabel 6 adalah hasil pengenalan seluruh data yang ada dari huruf kecil dengan pre-proses Edge Detection Sobel dan Thnning. Jumlah data yang diuji berjumlah 52 data dari 260 data.
Metode
Haar Lv 1
Haar Lv 2
Daubechies Lv 1
Daubechies Lv 2
Euclidean
46%
41%
40%
62%
Manhattan
47%
43%
35%
52%
Tabel 5 hasil pengenalan dengan menggunakan data citra huruf kecil yang ada dengan pre-proses Edge Detection Sobel.
Metode
Haar Lv 1
Haar Lv 2
Daubechies Lv 1
Daubechies Lv 2
Euclidean
23%
37%
29%
48%
Manhattan
19%
37%
23%
40%
Tabel 6 hasil pengenalan dengan menggunakan data citra huruf kecil yang ada dengan pre-proses Edge Detection Sobel dan Thinning
Metode
Haar Lv 1
Haar Lv 2
Daubechies Lv 1
Daubechies Lv 2
Euclidean
35%
37%
37%
48%
Manhattan
34%
32%
34%
42%
Tabel 7 hasil pengenalan dengan menggunakan data citra angka yang ada dengan pre-proses Edge Detection Sobel.
Tabel 2 hasil pengenalan dengan menggunakan semua data citra yang ada dengan pre-proses Edge Detection Sobel dan Thinning
Metode
Haar Lv 1
Haar Lv 2
Daubechies Lv 1
Daubechies Lv 2
Metode
Haar Lv 1
Haar Lv 2
Daubechies Lv 1
Daubechies Lv 2
Euclidean
44%
35%
54%
60%
Euclidean
60%
55%
40%
65%
Manhattan
42%
38%
34%
56%
Manhattan
55%
50%
45%
60%
Tabel 8 hasil pengenalan dengan menggunakan data citra angka yang ada dengan pre-proses Edge Detection Sobel dan Thinning.
Tabel 1 adalah hasil pengenalan seluruh data yang ada dari huruf besar, huruf kecil, dan angka dengan menggunakan pre- proses Edge Detection Sobel . Tabel 2 adalah hasil pengenalan seluruh data yang ada dari huruf besar, huruf kecil, dan angka dengan pre-proses Edge Detection Sobel dan Thnning. Jumlah data yang diuji berjumlah 124 data dari 620 data.
Haar Lv 1
Haar Lv 2
Daubechies Lv 1
Daubechies Lv 2
Euclidean
34%
38%
35%
52%
Manhattan
40%
37%
38%
47%
Tabel 4 hasil pengenalan dengan menggunakan data citra huruf besar yang ada dengan pre-proses Edge Detection Sobel dan Thinning
Metode
Haar Lv 1
Haar Lv 2
Daubechies Lv 1
Daubechies Lv 2
Euclidean
55%
52%
48%
67%
Manhattan
51%
50%
46%
63%
Haar Lv 1
Haar Lv 2
Daubechies Lv 1
Daubechies Lv 2
Euclidean
35%
55%
50%
60%
Manhattan
25%
50%
50%
60%
Tabel 7 adalah hasil pengenalan seluruh data citra angka yang ada dengan menggunakan pre-proses Edge Detection Sobel. Tabel 8 adalah hasil pengenalan seluruh data yang ada citra angka dengan pre-proses Edge Detection Sobel dan Thinning. Jumlah data yang diuji berjumlah 20 data dari 200 data. Pengujian awal yaitu pengujian terhadap data uji yang sama dengan data pembelajaran. Hasil pengujian memiliki keberhasilan 100% karena dapat mengenali data yang sama yang ada di database. Pengujian kedua dilakukan terhadap pengenalan karakter tulisan tangan yang menggunakan pre-proses Edge Detection Sobel dan Thinning. Hasil pengujian lebih akurat dari pada hanya menggunakan Edge Detection Sobel, dikarenakan pada proses thinning gambar memiliki ketebalan satu pixel dan menjadi lebih
Tabel 3 hasil pengenalan dengan menggunakan data citra huruf besar yang ada dengan pre-proses Edge Detection Sobel
Metode
Metode
241
Jurnal Ilmu Komputer dan Sistem Informasi [4] Alfatwa,Dean Fathony, 28 Januari 2013,”Watermaking Pada Citra Digital menggunakan Discrete Wavelet Transform”, http://informatika.stei.itb.ac.id/~rinaldi.munir/TA/Makala h_TA%20Dean%20Fathony%20Alfatwa.pdf. [5] Barbara Obermeier and Ted Padova, 2011 “Photoshop Elements 10 For Dummies”, Hoboken : John Wiley & Sons, Inc., [6] Sammy, 28 Januari 2013,”Grayscale(Konversi RGB menjadi Grayscale)” http://sammypatikawa.wordpress.com/2012/05/11/greysca le/. [7] Wirda, Utari Ayu, 09 september 2012,”Introduction of thinning”, http://www.gunadarma.ac.id/library/articles/graduate/indu stial-technology/2005/Artikel_51401453.pdf [8] Putro Andhika, 21 Januari 2013.”Algoritma Thinning” , http://deckasouza.blogspot.com/2008/11/algoritmathinning.html, [9] Isa, Sani Muhamad dan Juwita, Elsa, November 2007.”Aplikasi Image Retrival Berdasarkan Tekstur Dengan Menggunakan Transformasi Haar Wavelet”, Seminar Nasional Sistem dan Informatika,Vol 8, Nomor 1. [10] Liu , Chun-Lin, 30 Agustus 2012, “A Tutorial of the Wavelet Transform”, http://disp.ee.ntu.edu.tw/tutorial/WaveletTutorial.pdf, [11] Wicaksono,Agus, 28 Januari 2013,”Analisis Transformasi Citra Iris Menggunakan Wavelet Haar”, http://www.elektro.undip.ac.id/el_kpta/wpcontent/uploads/2012/05/L2F607004_MTA.pdf [12] R. C. Gonzalez and R. E. Woods, 2002.”Digital Image Processing”, New York : Prentice Hall, [13] Ian Kaplan, 2 Oktober 2012 “The Daubechies D4 Wavelet Transform”, http://www.bearcave.com/mis1/mis1_toch/wavelet/daubec hies.html, [14] Ricky Susanto, Indra Gunawan dan Panji Andhika, 2008,”Pengolahan Citra dengan Pendekatan Fuzzy Evolutionary Algorithm”, Jakarta: Fakultas Teknik Informatika Binus
tipis sehingga informasi pada gambar karakter yang tidak diperlukan menjadi hilang. Pengujian pada Ekstraksi Ciri menggunakan Discrete Wavelet transform dengan metode Daubechies lv 2 menghasilkan pengenalan yang lebih tinggi dibandingkan Haar lv 1, Haar lv 2, Daubechies lv 1. Hasil ini diperoleh karena pada ekstraksi ciri Daubechies lv 2 memiliki perbandingan nilai fitur antara huruf yang berbeda pada Daubechies lv 2 memiliki nilai rentang yang lebih jauh dibanding Haar lv 1, Haar lv 2, Daubechies 1. Karakter yang tidak dapat dikenali disebabkan nilai pada fitur ekstraksi cirinya yaitu mean, varian, dan standard deviasi yang memilih nilai yang jauh dibandingkan dengan nilai pada database, sehingga huruf tidak dikenali, karakter yang dapat dikenali karena pada nilai fitur ekstrasi ciri mean, varian, dan standard deviasi memiliki hasil yang lebih dekat, dibandingkan dengan nilai pada pelatihan didatabase.
5. Kesimpulan dan Saran Kesimpulan yang diperoleh dari hasil pengujian sistem pengenalan karakter huruf menggunakan ekstraksi ciri DWT adalah sebagai berikut: 1. Hasil Pengujian terhadap data citra penggunaan preproses Edge Detection Sobel dan Thinning membuat pengenalan karakter tulisan tangan lebih baik. 2. Hasil Pengujian terhadap data citra dengan ekstraksi ciri Daubechies lv 2 lebih baik dibandingkan dengan Haar lv 1, Haar lv 2, dan Daubechies lv 1. 3. Hasil Pengujian terhadap data citra dengan metode Euclidean Distance memiliki pengenalan paling baik dengan 67% sedangkan Manhattan distance memiliki pengenalan paling baik dengan 63%. Saran yang diberikan untuk pengembangan sistem pengenalan karakter huruf cetak berikutnya adalah sebagai berikut: 1. Proses segmentasi karakter dapat menggunakan cropping secara otomatis seperti dengan menggunakan metode integral proyeksi. 2. Proses pengenalan tulisan secara online. 3. Proses pengenalan tulisan tangan untuk mengenali tulisan sambung.
Penulis pertama : Yusten Wuntoro, mahasiswa jurusan Teknik Informatika Universitas Tarumanagara Penulis kedua : Chairisni Lubis, memperoleh gelar Sarjana Fisika (Dra), Program Studi FMIPA UI, lulus tahun 1989. Tahun 2000 memperoleh gelar Magister Komputer (M.Kom) dari Program Studi Ilmu Komputer UI. Saat ini sebagai staff pengajar Fakultas Teknologi Informasi – Universitas Tarumanagara Penulis ketiga : Agus Budi Dharmawan, memperoleh gelar M.T, Program Studi Jaringan Cerdas Multimedia, Jurusan Teknik Elektro,ITS,Surabaya, lulus tahun 2011. Tahun 2011 memperoleh gelar M.Sc, Program Studi Automotion, Jurusan Electrical Enginering, Fahochschule Darmstodt, Germany. Saat ini sebagai staff pengajar Fakultas Teknologi Informasi – Universitas Tarumanagara
REFERENSI [1] Arifin, Bachtiar, 15 Agustus 2012 “Proses pembentukan tulisan tangan”, http://digilib.its.ac.id/public/ITSUndergraduate15092-Presentation-888160.pdf, [2] Laila, Shinta,28 Januari 2013,”Acquisition and Segmentation Algotihm Implementation Handwriting on the Tablet digitizer”,http://papers.gunadarma.ac.id/index.php/comput er/article/view/15396/14627. [3] Khokar Ashfaq, 28 Januari 2013,”Scalability of 2-D Wavelet Transform”, http://multimedia.ece.uic.edu/966.pdf.
242
