JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6
1
Pengenalan Tulisan Tangan Huruf Latin Bersambung Secara Real Time Menggunakan Algoritma Learning Vector Quantization Ulir Rohwana dan M Isa Irawan Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember (ITS) Surabaya Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia e-mail:
[email protected]
Abstrak— Algoritma Learning Vector Quantization (LVQ) pada penelitian yang dilakukan oleh Asworo (2010) telah terbukti mampu mengenali tulisan tangan per karakter dengan akurasi 86%. Oleh karena itu, dengan tujuan menguji algoritma LVQ pada pengenalan tulisan tangan huruf latin bersambung, Tugas Akhir ini mengembangkan model dan aplikasi pengenalan tulisan tangan huruf latin bersambung secara real time menggunakan algoritma LVQ. Sistem membaca tulisan tangan pengguna secara real time. Penulisan dilakukan pada kanvas yang disediakan dengan menggunakan mouse. Tulisan tangan yang didapatkan pada kanvas diakuisisi oleh sistem sehingga mendapatkan koordinat piksel-piksel yang dilalui oleh goresan mouse. Koordinat tersebut menjadi acuan oleh sistem untuk melakukan proses segmentasi. Selanjutnya sistem menormalisasi citra sehingga citra berukuran 10x10. Dari hasil normalisasi tersebut sistem mendapatkan vektor input yang dibutuhkan LVQ. Berdasarkan hasil pengujian yang telah dilakukan, sistem ini mampu mengenali tulisan tangan masing-masing huruf dengan akurasi 75.13% untuk huruf kapital dan 35.38% untuk huruf non kapital. Untuk pengenalan per huruf dalam tulisan bersambung sistem mengenali dengan akurasi 25.85%. Kata Kunci--- Latin bersambung, Learning Quantization, Pengenalan Tulisan Tangan, Real Time.
Vector
I. PENDAHULUAN
B
AHASA merupakan salah satu sarana komunikasi manusia. Oleh karena itu, untuk berkomunikasi satu sama lain manusia membutuhkan bahasa yang dapat dipahami sebagai alat penghubung. Hal itu disebabkan adanya perbedaan suku, adat, budaya, dan lain sebagainya. Maka untuk menjembatani perbedaan-perbedaan tersebut dibangunlah bahasa yang sama. Untuk mengerti dan memahami suatu bahasa diperlukan pemahaman terhadap aksaranya. Lain bahasa lain pula aksaranya, seperti aksara Hijaiyyah sebagai aksara Bahasa Arab, aksara Kanji sebagai aksara Bahasa Jepang, dan lain sebagainya. Pada saat ini alfabet Latin adalah aksara yang paling banyak dipakai untuk menuliskan berbagai bahasa, termasuk di dalamnya adalah beberapa bahasa internasional yaitu Bahasa Inggris, Bahasa Prancis, Bahasa Spanyol, dan Bahasa Rusia. Tidak ketinggalan, Bahasa Indonesia juga memakai huruf Latin sebagai aksara yang digunakan. Di sisi lain, perkembangan teknologi semakin menunjukkan kedigdayaannya. Disadari atau tidak, teknologi dilahirkan sebagai jawaban dari kesulitan-kesulitan yang dialami manusia atau sebagai sarana untuk mempermudah pekerjaan
mereka. Dalam dunia komputer, input huruf merupakan hal yang sangat penting. Sehingga untuk mengatasi masalah tersebut dipa-kailah input huruf melalui keyboard. Seiring pesatnya perkembangan teknologi, kecanggihan pada komputer tidak hanya terbatas pada input dari keyboard saja, tapi dengan menulis langsung pada layar tanpa bantuan keyboard (touchscreen). Teknologi ini (touchsrceen) semakin memper-mudah pengguna komputer dalam mengoperasi-kan komputer. Dalam aplikasinya, teknologi touchscreen sangat bermanfaat untuk pembelajaran menulis bagi pemula, yaitu untuk mengenali tulisan tangan. Tulisan tangan yang dituliskan dengan memanfaatkan teknologi touchscreen akan dideteksi dan dibaca oleh software. Pengenalan tulisan tangan dapat dibagi menjadi dua metode, yaitu metode offline dan online. Metode offline merupakan cara pengenalan tulisan dengan input berupa gambar hasil scan. Sedangkan metode online adalah cara pengenalan tulisan dengan mengenali tulisan tangan langsung dengan input berupa coretan atau guratan tulisan yang ditulis real time pada media penulisan digital. Tentunya metode online lebih cepat dan efektif. Oleh karena itu, penulis dalam tugas akhir ini mencoba mengembangkan model dan aplikasi pengenalan tulisan tangan Huruf Latin bersambung secara real time dengan menggunakan algoritma Learning Vector Quantization. Algoritma ini dipilih karena dalam penelitian sebelumnya yang dilakukan oleh Asworo (2010), menyimpulkan bahwa algoritma Learning Vector Quantization memiliki akurasi yang baik (86%) dalam hal pengenalan tulisan tangan secara real time [1]. II. DASAR TEORI A. Huruf Latin Bersambung Dalam hal tulisan huruf latin bersambung, pemerintah telah menetapkan bentuk tulisan tangan yang baku dan resmi pada Keputusan Direktur Jendral Pendidikan Dasar dan Menengah Departemen Pendidikan dan Kebudayaan No. 094/C/Kep/I.83 tanggal 7 Juni 1983.
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6
2
Segmentasi kata
Citra awal
Segmentasi huruf Gambar 3 Proses Segmentasi
Gambar 4 Contoh Segmentasi Gambar 1 Tulisan tangan huruf latin bersambung sesuai Keputusan Direktur Jendral Pendidikan Dasar dan Menengah Departemen Pendidikan dan Kebudayaan No. 094/C/Kep/I.83 tanggal 7 Juli 1983 [2]
B. OCR (Optical Character Recognition) Optical Character Recognition (OCR) merupakan sistem yang dapat mengenali tulisan, baik tulisan cetak (hasil scan, lain) maupun tulisan tangan. Untuk mengenali ketik, dan lain-lain) tulisan tersebut OCR memiliki 2 metode, yaitu offline dan tul online. Metode offline merupakan cara pengenalan tulisan dengan input berupa gambar hasil scan.. Gambar berupa teks terlebih dulu discan oleh scanner untuk selanjutnya dapat dikenali oleh OCR metode offline ini. Sedangkan metode online adalah cara pengenalan tulisan dengan mengenali tulisan tangan secara langsung, dengan input berupa coretan atau guratan tulisan yang ditulis real time pada media penulisan digital. Secara umum tahapan pengenalan tulisan oleh OCR metode online adalah sebagai berikut:
Gambar 2 Tahapan sistem OCR online [3] C. Pengolahan Citra Digital Pengolahan citra digital adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Pengolahan citra dilakukan untuk memperbaiki kualitas citra agar mudah diinterpretasi oleh Operasi manusia atau mesin (dalam hal ini komputer). Operasi-operasi yang dilakukan di dalam pengolahan citra banyak jenisnya, antara lain segmentasi dan scalling. 1. Segmentasi Segmentasi bertujuan untuk memotong huruf per-huruf. per piksel Pemotongan tersebut dilakukan dengan cara mencari pikselPiksel piksel sel terluar dari setiap sisi (atas, bawah, kiri, kanan). Pikselpiksel terluar itulah yang akan menjadi batas pemotongan, sehingga didapat citra segiempat yang siap diproses lebih lanjut.
2. Scalling menormalisasikan ukuran gambar Scalling bertujuan untuk m sehingga ukuran yang diperoleh selalu sama. sama Pada penelitian ini, scalling berfungsi untuk menormalisasikan input yang diberikan pengguna.
Gambar 5 Scalling
D. Ekstraksi Ciri Ekstraksi ciri bertujuan untuk mendapatkan karakteristik suatu karakter yang membedakannya dari karakter lain. Dalam penelitian ini, untuk mendapatkan karakteristik suatu karakter piksel yang dilalui oleh goresan mouse diberi nilai 1 dan yang tidak dilalui oleh goresan bernilai 0. E. Learning Vector Quantization Learning Vector Quantization (LVQ) adalah suatu metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor vektor input. Kelas-kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor vektor-vektor input. Jika 2 vektor input mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor tersebut ke dalam kelas yang sama. Adapun langkah-langkah langkah dari algoritma LVQ adalah sebagai berikut [4]: Langkah 1 : Inisialisasi vektor referensi dan learning rate Langkah 2 : Selama kondisi berhenti bernilai be salah, kerjakan a, b, dan c berikut: a. Untuk setiap vektor x, kerjakan point 1 dan 2 berikut: 1. Temukan J sehingga ||x – wj|| minimum 2. Update wj dengan mengikuti rumus: Jika T = cj maka wj = wj + α[x - wj]
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6 Jika T ≠ cj maka wj = wj - α[x – wj] b. Kurangi learning rate c. Periksa kondisi berhenti x : vektor pelatihan (x1, ..., xj, ..., xn) T : kategori atau kelas yang benar untuk vektor pelatihan wj : vektor bobot untuk unit luaran ke-j (w1j, .., wij, .., wnj) cj : kategori atau kelas hasil komputasi oleh unit luaran j ||x – wj|| : jarak Eucledian antara vektor masukan dengan unit luaran III. PERANCANGAN SISTEM A. Perancangan Data 1. Data Masukan Data masukan dalam sistem ini adalah data yang dimasukkan oleh pengguna berupa teks tulisan tangan huruf latin bersambung. Data ini merupakan hasil goresan kursor mouse pada panel yang telah disediakan. Goresan kursor tersebut memberikan informasi kepada sistem terkait pikselpiksel yang dilalui kursor. 2. Data Proses Berikut adalah data-data proses dalam sistem pengenalan tulisan tangan secara real time. Tabel 1 Data Proses
Nama Data Citra segmentasi
Tipe Data int
Area scalling
int
Data ekstraksi ciri
int
Keterangan Data ini berupa matriks hasil segmentasi teks tulisan tangan oleh goresan kursor pada panel Data ini berupa matriks yang merupakan hasil dari scalling citra segmentasi. Data ini berupa nilai piksel hidup di masing-masing area scalling.
3
ℎ’ adalah tinggi citra segmentasi adalah piksel sumbu paling kanan (batas kanan) adalah piksel sumbu paling kiri (batas kiri) adalah piksel sumbu paling bawah (batas bawah) adalah piksel sumbu paling atas (batas atas) pensil tulis berukuran 3x3 piksel Proses scalling, yaitu proses untuk mengubah ukuran citra menjadi citra normal yang sesuai dengan kebutuhan. Dalam tugas akhir ini, citra per-huruf akan direpresentasikan ke dalam matriks berukuran 10x10 dengan luas yang sama di masing-masing area. Dengan demikian ukuran luas masingmasing area dapat dirumuskan sebagai berikut: 2.
’’ = ’/10 ℎ’’ = ℎ’/10 dengan: ’’ adalah lebar per area hasil scalling ℎ’’ adalah tinggi per area hasil scalling 3.
Proses ekstraksi ciri, yaitu proses mendapatkan ciri suatu citra sehingga mudah dikenali. Proses ini akan melakukan pengecekan pada setiap piksel. Piksel yang hidup (piksel yang dilalui oleh goresan kursor) diberi nilai satu (1), dan untuk piksel lain diberi nilai nol (0). Pada tahap JST terdiri dari 2 proses, yaitu: 1. Proses pelatihan (training), yaitu proses melatih sistem sehingga mampu mengenali apabila diberikan masukan baru. 2. Proses pengujian (testing), yaitu proses pencocokkan ciri suatu masukan baru terhadap ciri referensi yang sebelumnya telah dilatihkan kepada sistem. Gambaran sistem pengenalan tulisan tangan huruf latin bersambung secara real time dengan menggunakan algoritma LVQ ini dapat dilihat pada Gambar 6 berikut:
3. Data Luaran Data luaran pada sistem ini berupa teks digital hasil pengenalan oleh algoritma LVQ terhadap data yang diberikan. B. Gambaran Sistem Secara Umum Sistem ini terdiri dari 3 tahap, yaitu tahap akuisisi, tahap preprocessing, dan tahap JST. Tahap akuisisi adalah tahapan awal sebelum memulai proses lain. Pada tahap ini sistem melakukan pengambilan citra hasil goresan kursor pada panel yang telah disediakan. Adapun tahap preprocessing terdiri dari 3 proses sebagai berikut: 1. Proses segmentasi, yaitu proses memotong citra akuisisi sehingga diperoleh citra yang diharapkan. Dalam sistem ini, citra yang diharapkan adalah citra akuisisi yang dibatasi oleh piksel terluar yang dikenai goresan kursor. Dari proses segmentasi, sistem akan menghasilkan ukuran citra yang dirumuskan sebagai berikut:
’= ( – )+2 ℎ’ = ( – ) + 2 dengan: ’ adalah lebar citra segmentasi
PENGOLAHAN CITRA
JST
(a) (b) Gambar 6 Diagram Alir Proses Training (a) dan Diagram Alir Proses Testing (b)
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6
4
IV. HASIL DAN PENGUJIAN Perangkat yang digunakan dalam pengujian sistem terdiri dari beberapa perangkat keras dan perangkat lunak. Perangkat keras yang digunakan yaitu komputer dengan Prosesor AMD E-450 1.65 GHz, Memory 6 GB DDR3, dan Hard Disk 298 GB. Sedangkan perangkat lunak yang digunakan adalah Sistem Operasi Windows 7 Ultimate 64-bit SP1 dan perangkat lunak NetBeans 7.3. A. Pengujian Tahap Akuisisi Tujuan dari pengujian tahap akuisisi adalah untuk mengetahui bahwa sistem telah mendapatkan piksel-piksel yang dilalui oleh goresan kursor (piksel hidup) pada kanvas penulisan. Pada tahap ini sistem membaca koordinat dan dari piksel-piksel yang dilalui oleh goresan. Gambar 7 berikut adalah gambar hasil goresan kursor pada kanvas berukuran 195x202 piksel.
Gambar 9 Hasil Segmentasi Data Pelatihan
b. Segmentasi Data Pengujian Pengujian segmentasi data testing bertujuan untuk memotong huruf per huruf sesuai batas terluar masing-masing huruf. Untuk melakukan tugas itu, sistem sebelumnya akan mencari batas-batas terluar masing-masing sisi dari tulisan tangan yang dimasukkan oleh pengguna. Gambar 10 adalah gambar hasil goresan kursor pada kanvas pengujian berukuran 935x336 piksel yang dipotong.
Gambar 10 Mencari Batas Terluar Goresan Gambar 7 Hasil Goresan Kursor 114,36 113,36 112,35 111,34 110,34 110,33 110,32 109,31 108,30 107,29 107,28 106,27 106,26 105,25 104,24 104,23 103,23 103,22 102,21 101,21 100,21 99,21 98,21 97,21 95,21 94,21 93,21 91,22 90,22 89,22 87,22 87,23 86,23 85,24 84,24 82,25 81,26 80,26 80,27 79,27 78,28 78,29 77,31 76,33 75,33 75,34 74,35 73,36 73,37 72,37 72,38 71,39 70,39 70,40 70,41 69,42 69,43 68,43 67,45 67,47 66,48 66,49 66,50 65,50 65,51 65,52 65,53 63,57 62,59 61,61 61,62 61,63 60,64 59,65 59,66 59,67 58,68 58,69 58,70 58,71 58,72 57,73 57,74 56,75 56,76 56,77 56,78 56,79 55,80 55,81 55,82 54,83 54,84 54,85 54,86 54,87 54,88 54,89 54,91 54,92 54,93 54,94 54,95 54,96 54,97 54,98 54,100 55,101 55,102 55,103 56,104 56,105 57,105 58,106 58,108 59,109 60,110 60,111 61,111 61,112 63,112 63,113 64,113 65,114 66,114 68,115 69,115 70,115 71,115 73,116 75,116 76,116 77,116 78,116 79,116 80,116 81,116 82,116 83,116 84,116 85,116 86,116 87,116 88,116 89,116 90,116 91,116 92,116 94,115 95,114 96,114 97,113 98,112 99,111 100,110 101,110 101,108 102,108 102,107 103,105 104,104 104,103 105,102 106,101 106,100 106,98 107,98 107,96 107,95 108,94 109,93 109,92 109,91 109,90 110,89 111,87 111,86 112,84 113,82 113,80 114,79 114,78 114,77 115,76 115,75 115,73 116,72 116,70 116,69 117,68 117,66 117,65 117,63 117,61 118,61 118,59 118,58 118,56 118,55 119,54 119,53 119,51 119,50 119,49 119,48 119,47 119,46 119,45 119,44 119,43 119,42 119,41 119,40 119,39 119,38 119,39 119,40 119,41 119,42 119,43 119,44 119,46 119,47 119,48 119,49 119,50 119,51 119,52 119,53 119,54 119,56 119,57 119,58 119,59 119,60 119,61 118,62 118,63 118,64 118,66 118,67 118,68 118,69 118,70 118,71 118,72 118,73 118,74 118,75 118,76 117,77 117,78 117,79 116,80 116,81 116,82 116,83 116,84 116,85 116,86 116,87 116,88 116,89 116,90 116,91 116,92 116,93 116,94 116,95 116,96 116,97 116,98 116,99 116,100 116,101 117,101 117,102 117,103 117,104 118,104 118,105 119,105 120,105 121,105 122,106 123,106 124,106 125,105 126,104 127,104 127,103 128,103 129,103 130,102 131,101 132,100 133,100 133,99 134,99 135,98 136,97 137,96 138,96 139,95 139,94 140,94 141,93 142,93 142,92 143,91 144,91 145,90 146,90 147,89 147,88 148,88 148,87 150,87 151,86 153,85 154,84 155,84 156,83 157,83 158,82 159,81 160,81 161,80 162,79 163,78 164,78 165,77 166,77 166,76 167,75 167,75
Setelah mendapatkan batas terluar dari goresan, sistem akan mencari batas terluar masing-masing sisi dari tiap huruf. Tabel 2 berikut adalah hasil segmentasi tiap-tiap huruf dari goresan Gambar 10. Tabel 2 Hasil Segmentasi Tiap Huruf
Huruf ke1 2 3 4 2.
min 340 400 480 560
maks 399 479 559 629
min 15 46 13 39
maks 86 80 77 68
Pengujian Proses Scalling Pengujian proses scallling bertujuan untuk mengetahui bahwa sistem telah mendapatkan batas-batas dari masing-masing area scalling.
Gambar 8 Koordinat ( , ) Piksel-Piksel Hidup dari Gambar 7
B. Pengujian Tahap Preprocessing 1. Pengujian Proses Segmentasi Pengujian proses segmentasi bertujuan untuk mengetahui bahwa sistem telah menemukan batas terluar masingmasing sisi dari tiap huruf. a. Segmentasi Data Pelatihan Gambar 9 berikut adalah gambar hasil goresan kursor pada kanvas berukuran 195x202 piksel yang telah dikenai proses segmentasi beserta nilai koordinat terluar dari masing-masing sisi yang didapatkan oleh sistem.
Gambar 11 Hasil Scalling Citra
3.
Pengujian Proses Ekstraksi Ciri Pengujian proses ekstraksi ciri bertujuan untuk mengetahui bahwa sistem berhasil mendapatkan jumlah piksel hidup (piksel yang dilalui goresan kursor) pada setiap area scalling. Piksel hidup oleh sistem diberi nilai 1 dan piksel tak aktif bernilai 0.
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6 Tabel 3 hasil ekstraksi ciri dari Gambar 11 (a)
Area ke1 2 3 4 5 6 7 8 9 10
1
2
3
4
5
6
7
8
9
10
0 3 14 11 12 0 0 13 0 0 8 5 5 9 0 0 0 11 6 0 0 0 0 16 11 0 0 0 0 18 11 0 0 0 4 18 10 0 0 0 7 11 10 0 0 0 10 12 12 0 0 6 7 15 8 10 13 9 0 0
0 0 0 0 0 0 0 9 7 0
0 0 0 0 0 0 9 9 0 0
0 0 0 0 0 4 10 0 0 0
0 0 0 0 0 7 0 0 0 0
Setelah didapat hasil sebagaimana Tabel 3, sistem akan merubahnya menjadi susunan 100 kode biner. Susunan itu didapat dengan cara mendefinisikan ulang hasil di atas. Area yang tidak memiliki nilai piksel hidup bernilai 0 dan area yang memiliki nilai piksel hidup bernilai 1. Sehingga hasi di atas berubah menjadi susunan 100 kode biner berikut: 01111000000100110000110001000010000100001000010000 10001100111000110110100011110010011110001111000000 C. Pengujian Tahap JST 1. Pengaruh Learning Rate Learning rate dalam algoritma LVQ merupakan konstanta yang digunakan untuk mencari bobot. Rumus untuk mencari bobot dalam algoritma LVQ adalah sebagai berikut:
=
∓
−
dengan: adalah bobot keadalah vektor pelatihan adalah learning rate Untuk mengetahui pengaruh learning rate terhadap akurasi maka dilakukan pengujian dengan memasukkan nilai epoch sama dan learning rate berbeda-beda. Nilai learning rate yang dipilih adalah 0.01, 0.05, 0.1, 0.5, 1. Pengujian dilakukan per-huruf dengan cara menguji setiap huruf (A-Z) sebanyak 5 kali. Setiap pengujian dilakukan dengan nilai learning rate yang berbeda-beda sebagaimana dijelaskan di atas. Tabel 2 berikut adalah hasil pengujian per huruf dengan learning rate yang berbeda-beda. Tabel 2 Pengaruh Learning Rate Terhadap Pengujian
Karakter yang ditesting A–Z A–Z A–Z A–Z A–Z
Learning Rate 0.01 0.05 0.1 0.5 1
Epoch
Akurasi
100 100 100 100 100
80.77% 79.23% 70.00% 63.07% 63.07%
Dari hasil di atas diketahui bahwa semakin besar learning rate mengakibatkan semakin rendah tingkat akurasinya.
5 2. Pengaruh Epoch Untuk mengetahui pengaruh epoch terhadap akurasi maka dilakukan pengujian dengan memasukkan nilai learning rate sama dan maksimal epoch berbeda-beda. Nilai epoch yang dipilih adalah 10, 50, 100, 500, 1000. Pengujian dilakukan per huruf dengan cara menguji setiap huruf (A-Z) sebanyak 5 kali. Setiap pengujian dilakukan dengan nilai epoch yang berbeda-beda sebagaimana dijelaskan di atas. Tabel 4 berikut adalah hasil pengujian per huruf dengan epoch yang berbeda-beda. Tabel 4 Pengaruh Epoch Terhadap Pengujian
Karakter yang ditesting A–Z A–Z A–Z A–Z A–Z
Epoch 10 50 100 500 1000
Learning Rate 0.01 0.01 0.01 0.01 0.01
Akurasi 76.15% 80.77% 80.77% 81.54% 83.07%
Dari hasil di atas diketahui bahwa semakin besar epoch mengakibatkan semakin tinggi tingkat akurasinya. 3. Pengujian LVQ Pada tahap pengujian sistem akan diuji oleh 3 pengguna yang berbeda. Masing-masing pengguna melakukan 2 tahap dalam pengujian sistem ini, yaitu pengujian per-huruf dan pengujian tulisan bersambung. a. Pengujian Masing-Masing Huruf Pengujian masing-masing huruf adalah pengujian terhadap masing-masing huruf dalam sistem (A-Z, a-z). Pengguna akan menguji sistem dengan melakukan penulisan sebanyak 10 kali untuk masing-masing huruf. Dengan memberikan nilai learning rate = 0.01 dan epoch = 1000, berikut adalah hasil pengujian masing-masing huruf: Tabel 5 Hasil Pengenalan Masing-Masing Huruf
Huruf A B C D E F G H I J K L M N O P Q R
Prosentase Akurasi (%) 100 66.67 93.3 56.67 100 93.3 96.67 3.3 70 90 80 86.67 86.67 90 53.3 86.67 90 100
Huruf a b c d e f g h i j k l m n o p q r
Prosentase Akurasi (%) 46.67 53.3 6.67 53.3 33.3 53.3 90 3.3 20 56.67 56.67 23.3 56.67 56.67 33.3 50 33.3 40
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6
Huruf S T U V W X Y Z Ratarata
Prosentase Akurasi (%) 53.3 100 63.3 86.67 46.67 3.3 60 96.67 75.13
Huruf s t u v w x y z Ratarata
Prosentase Akurasi (%) 3.3 3.3 33.3 26.67 43.3 6.67 33.3 3.3 35.38
Dari hasil tersebut telah didapatkan hasil bahwa tingkat keberhasilan pengujian per huruf lebih dominan terjadi pada penulisan huruf kapital. b. Pengujian Per Huruf dalam Tulisan Bersambung Pengujian per huruf dalam tulisan bersambung adalah pengujian terhadap sistem dengan menulis tangan huruf latin bersambung. Sistem akan diuji dengan beberapa kata yang telah ditentukan, yaitu Aku, Kami, Indonesia, Real Time, Iklan. Pengguna akan menguji sistem dengan menuliskan sebanyak 10 kali untuk masing-masing tulisan yang telah ditentukan. Pengujian dilakukan dengan menuliskan teks-teks yang telah dipilih ke kanvas pengujian. Selanjutnya akan didapatkan karakter mana saja yang dikenali oleh sistem. Dengan memberikan nilai learning rate = 0.01 dan epoch = 1000, berikut adalah hasil pengujian per huruf dalam tulisan bersambung: Tabel 6 Hasil Pengenalan Per Huruf dalam Tulisan Bersambung
Teks Aku Kami Indonesia Real Time Iklan Rata-rata
Prosentase Akurasi (%) 34.4 26.67 13.3 41.48 32 25.85 V. KESIMPULAN
Berdasarkan analisis terhadap hasil pengujian yang telah dilakukan terhadap sistem pengenalan tulisan tangan huruf latin bersambung secara real time dengan menggunakan algoritma Learning Vector Quantization, maka dapat diambil beberapa kesimpulan sebagai berikut: 1. Sistem mampu mengenali tulisan tangan masing-masing huruf dengan akurasi 75.13% untuk huruf kapital dan 35.38% untuk huruf non kapital. 2. Untuk pengenalan per huruf dalam tulisan bersambung sistem mengenali dengan akurasi 25.85%. 3. Sistem belum mapu mengenali dengan baik tulisan tangan huruf bersambung.
6 DAFTAR PUSTAKA [1]
[2]
[3]
[4] [5]
[6] [7]
Asworo.2010. “Comparison Between Kohonen Neural Network Method and Learning Vector Quantization in The Online Handwriting Recognition System”. Institut Teknologi Sepuluh Nopember, Surabaya. KKPS Kabupaten Bandung. 2009. “BERSERI “Belajar Menulis Benar, Rapi, dan Indah” untuk siswa kelas satu, dua, dan tiga Sekolah Dasar”. Bandung. Mubarok, Riza, S.L., Setiawan, Wawan. 2010. “Pengenalan Tulisan Tangan Aksara Sunda Menggunakan Kohonen Neural Network”. Universitas Pendidikan Indonesia, Bandung. Fausett, L. 1994. “Fundamentals of Neural Networks: Architectures, Algorithms, and Applications”. Prentice Hall International.Inc. Arifin, B. 2011. “Sistem Pengenalan Tangan Real Time Menggunakan Metode Dominant Point dan Jaringan Syaraf Tiruan Learning Vector Quantization”. Institut Teknologi Sepuluh Nopember, Surabaya. Arief, A.F. “Perangkat Lunak Pengkonversi Teks Tulisan Tangan Menjadi Teks Digital”. Institut Teknologi Sepuluh Nopember, Surabaya. Marwanto, Linardi, S., Desri. “Pengenalan Tulisan Tangan Latin dengan Segmentasi Kata dan Fuzzy ARTMAP”. Jakarta: Universitas Bina Nusantara.