VISI (2013) 21 (2) 1445-1451 PEMANFAATAN METODE PENCOCOKAN KURVA UNTUK MENGENALI HURUF TULISAN TANGAN Efron Manik ABSTRACT There are many forms in office’s warehouse that its data have not been typed in computer because of typing date to computer that spent much time. This problem can be solved if we find the program code that can recognize handwritten. The objective of this research is to find the program code of computer that can recognize capital letter. The result of research describe that every letter model has the highest fitting value with handwritten coresponding its letter. Thus the fitting curve method can used to recognize capital handwritten. ------------Keyword: fitting curve, gaussian function, handwritten
I. PENDAHULUAN 1.1. Latar Belakang Formulir magnetik dengan pinsil 2B-nya dipergunakan untuk banyak keperluan saat ini, karena data pada formulir ini dapat dipindahkan ke database komputer dengan suatu alat tanpa mengetik. Contohnya antara lain: formulir Seleksi Penerimaan Mahasiswa Baru dan Ujian Akhir Nasional. Disamping dibutuhkan banyak waktu untuk mengisi data pada formulir ini, kertas magnetik juga dibutuhkan sangat banyak untuk memperoleh hanya sedikit data. Misalnya hampir satu lembar dibutuhkan untuk mendapatkan data nama saja. Formulir ini memboroskan banyak kertas dan sangat membosankan pada saat mengisi data. Hal ini merupakan alasan mengapa banyak sistem manajemen informasi tidak menggunakan formulir ini. Kita sering melihat formulir kertas biasa yang kotak-kotak kosong disediakan untuk tempat pengisian data. Kemudian instruksi ditulis dengan kalimat: “Isilah identitas anda dengan huruf besar pada kotak-kotak yang disediakan dengan menggunakan tinta hitam.” Formulir seperti ini sangat murah dan cara mengisi data ke dalamnya sangat cepat. Sayangnya, formulir ini banyak tertumpuk di kantorkantor bahkan di gudang, pada hal data di dalamnya belum dipindahkan ke database komputer. Hal ini terjadi karena pekerjaan pemindahan data ini sangat membosankan dan membutuhkan banyak waktu untuk mengetik data tersebut ke database komputer. Masalah ini akan dapat diatasi jika kita dapat membuat kode program komputer yang dapat mengenali huruf tulisan tangan. Permasalahan tentang huruf yang ditulis dengan tangan yang akan dihadapi ada tiga hal. Pertama, ukuran huruf yang ditulis setiap orang berbeda-beda, ada yang kecil, sedang dan besar. Kedua, gaya tulisan juga berbeda-beda, yaitu: ada yang tegak, miring ke kiri dan miring ke kanan. Dan terakhir, jenis huruf yang digunakan juga berbeda untuk setiap orang.
1445
VISI (2013) 21 (2) 1445-1451 1.2. Kerangka Pemikiran Beberapa metode dapat digunakan untuk mengenali huruf dalam image. Seniordan Robinson (1998) menggunakan neural network dan Kamvysselis (2000) dengan metode Algoritma Overview (mengukur sudut kurva huruf dan panjang kurva dari titik acuan). Tetapi sampai saat ini, hasil yang dicapai belum memuaskan, sehingga dibutuhkan penelitian dengan metode lain untuk menemukan hasil yang lebih baik. Suatu objek pada image dibangun oleh ratusan bahkan jutaan pixel-pixel. Ada pixel yang berperan membentuk suatu objek, tetapi ada juga pixel yang malah merusak objek. Dengan menggunakan penyaringan Gaussian dapat dikurangi pengaruh pixel-pixel yang merusak serta mempertahankan pengaruh pixel-pixel yang membangun (Canny 1986, Geusebroek et al. 2003, Jang at al. 1997). Sebelum digunakan sebagai alat penyaringan, fungsi Gaussian dapat dimodifikasi terlebih dahulu, misalnya: dua fungsi Gaussian dikonvolusikan atau beberapa fungsi Gaussian diambil nilai maksimumnya. Metode ini telah digunakan untuk menghitung jumlah ikan-ikan sejenis pada suatu image. Pixel-pixel dari kurva batas seekor ikan dalam ukuran lingkaran terkecil satuan disimpan dalam database referensi setelah dilakukan penyaringan Gaussian terlebih dulu. Untuk mengenali kurva ikan pada image,dilakukan langkahlangkah sebagai berikut : a) menentukan lingkaran terkecil yang memuat kumpulan pixel-pixel pembentuk kurva batas ikan yang dideteksi pada image, b) lingkaran terkecil tersebut didilatasi untuk mendapatkan ukuran sebesar lingkaran satuan. Dan c) melakukan rotasi dan pencerminan, pixel-pixel dalam lingkaran tersebut dibandingkan dengan pixel-pixel dalam lingkaran satuan yang terdapat pada database referensi untuk mengetahui apakah mirip atau tidak. Dengan metode seperti ini diperoleh hasil yang memuaskan. Dengan cara yang hampir sama, diyakini dapat mengenali huruf/data yang ditulis pada formulir biasa dengan cara dilatasi untuk ukuran huruf, transformasi affine untuk gaya tulisan dan penyaringan Gaussian untuk jenis huruf. Penggunaan Software MatLab akan memungkinkan untuk mengubah image menjadi bentuk matriks dan untuk melakukan semua perhitungan. Bahkan software ini juga akan digunakan untuk membuat kode program yang dapat memindahkan data dari formulir biasa ke database komputer tanpa mengetik. MatLab menyediakan fasilitas-fasilitas yang mudah untuk dipelajari dan digunakan sehingga memungkinkan pembuatan aplikasi yang lebih kompleks dan besar (Hanselman & Littlefield 1997). 1.3. Tujuan Penelitian Tujuan penelitian ini adalah membuat kode program yang dapat memanfaatkan metode pencocokan kurva untuk mengenali huruf tulisan tangan.
1446
VISI (2013) 21 (2) 1445-1451 1.4 Manfaat Penelitian Hasil penelitian ini dapat dimanfaatkan menggantikan formulir magnetik yang mahal dengan formulir biasa yang murah. Jadi kita hanya men-scan formulir yang sudah diisi. Selanjutnya kode program akan mengenali setiap huruf dan memindahkan data ke komputer dalam bentuk field dan record. II. METODOLOGI PENELITIAN 2.1 Lokasi dan Waktu Penelitian Penelitian ini dilaksanakan di Laboratorium Program Studi Matematika, Fakultas Keguruan dan Ilmu Pendidikan, Universitas HKBP Nommensen Medan, pada bulan September – Nopember 2012. 2.2 Metode Penelitian Dengan menggunakan perintah IMREAD dan IM2BW dalam MATLAB, file hasil scan yang memuat huruf tulisan tangan akan diubah ke dalam matriks, dimana unsur 1 untuk pixel warna hitam dan 0 untuk putih. Selanjutnya dianalisa angka-angka pada matriks tersebut dan memutuskan huruf apa yang tertulis. Adapun tahapan penelitian adalah sebagai berikut : a) Tahap I : menyiapkan jenis huruf besar Arial yang digunakan sebagai huruf pembanding. Pembobotan fungsi Gaussian didesain sedemikian sehingga bobot koordinat yang bejarak lebih dari 3 (pixel) dari koordinat pixel warna hitam kurang dari 0.5 sedangkan koordinat pixel warna hitam berbobot 1 dan disimpan dalam matriks 1717. b) Tahap II : menyiapkan 50 jenis tulisan tangan yang berbeda mulai huruf A sampai dengan Z disiapkan. Jika ukuran huruf-huruf tersebut tidak berukuran 17 pixel kali 17 pixel maka huruf-huruf tersebut akan diperbesar atau diperkecil terlebih dahulu. c) Tahap III : menghitung nilai kecocokan dengan cara menghitung nilai rata-rata terbesar dari bobot yang seletak dengan pixel warna hitam pada huruf tulisan tangan untuk transformasi affine dilakukan untuk huruf tulisan tangan. Dengan cara seperti ini, nilai kecocokan minimum setiap huruf dapat ditentukan. III. HASIL DAN PEMBAHASAN Matriks pembanding/contoh untuk huruf A dibuat dengan cara mengetik huruf arial A yang tingginya 17 pixel. Huruf tersebut disimpan dalam bentuk matriks dengan unsur bernilai 1 jika pixel berwarna hitam dan 0 jika putih, dan baris pertama dan baris terakhir mengandung unsur 1. Fungsi Gaussian digunakan sebagai matriks pembobotan sedemikian sehingga bobot koordinat yang bejarak lebih dari 3 (pixel) dari koordinat pixel warna hitam kurang dari 0,5 sedangkan koordinat pixel warna hitam berbobot 1. Matriks pembanding A yang dikerjakan dengan langkah seperti ini akan berbentuk matriks seperti Gambar 1. Matriks contoh / pembanding untuk huruf B, C, …, Z dibuat dengan cara yang sama.
1447
VISI (2013) 21 (2) 1445-1451 Matriks-matriks contoh / pembanding tersebut disimpan dalam satu cell array dengan nama variabel pembanding berukuran 1 baris 26 kolom berisi matriks contoh/ pembanding mulai nama matriks A sampai dengan Z. 0 0 0.1 0.1 0.1 0.1 0.2 0.2 0.3 0.4 0.4 0.6 0.7 0.7 0.8 0.9 0.9
0.1 0.1 0.1 0.2 0.2 0.3 0.4 0.4 0.4 0.6 0.7 0.8 0.9 0.9 0.9 1 1
0.1 0.2 0.3 0.4 0.4 0.4 0.6 0.7 0.7 0.8 0.9 0.9 1 1 1 1 1
0.3 0.4 0.4 0.6 0.7 0.7 0.8 0.9 0.9 0.9 1 1 1 1 1 0.9 0.9
0.4 0.6 0.7 0.8 0.9 0.9 0.9 1 1 1 1 1 1 0.9 0.9 0.8 0.7
0.7 0.8 0.9 0.9 1 1 1 1 1 1 1 1 0.9 0.8 0.7 0.6 0.4
0.9 0.9 1 1 1 1 1 1 0.9 0.9 1 1 0.9 0.7 0.4 0.4 0.3
1 1 1 1 1 0.9 0.9 0.9 0.82 0.9 1 1 0.9 0.67 0.41 0.2 0.14
1 1 1 0.9 0.9 0.8 0.7 0.7 0.7 0.9 1 1 0.9 0.7 0.4 0.2 0.1
1 1 1 1 1 0.9 0.9 0.8 0.7 0.9 1 1 0.9 0.7 0.4 0.2 0.1
0.9 0.9 1 1 1 1 1 0.9 0.9 0.9 1 1 0.9 0.7 0.4 0.4 0.3
0.7 0.8 0.9 0.9 1 1 1 1 1 1 1 1 0.9 0.8 0.7 0.6 0.4
0.4 0.6 0.7 0.8 0.9 0.9 0.9 1 1 1 1 1 1 0.9 0.9 0.8 0.7
0.3 0.4 0.4 0.6 0.7 0.7 0.8 0.9 0.9 0.9 1 1 1 1 1 0.9 0.9
0.1 0.2 0.3 0.4 0.4 0.4 0.6 0.7 0.7 0.8 0.9 0.9 1 1 1 1 1
0.1 0.1 0.1 0.2 0.2 0.3 0.4 0.4 0.4 0.6 0.7 0.8 0.9 0.9 0.9 1 1
0 0 0.1 0.1 0.1 0.1 0.2 0.2 0.3 0.4 0.4 0.6 0.7 0.7 0.8 0.9 0.9
Gambar 1. Matriks Pembanding/ Contoh untuk Huruf A Selanjutnya 50 jenis tulisan tangan yang ditulis oleh 50 orang yang berbeda mulai huruf A sampai dengan Z disiapkan. Jika ukuran huruf-huruf tersebut tidak berukuran 17 pixel kali 17 pixel maka huruf-huruf tersebut akan diperbesar atau diperkecil terlebih dahulu dengan menggunakan kode program. Selanjutnya dengan kode program, huruf yang tempatnya berukuran 17 pixel kali 17 pixel diubah menjadi matrik berukuran 17 17 dengan nilai unsur-unsurnya 1 jika pixel berwarna hitam dan 0 jika pixel berwarna putih. Matriks seperti ini selanjutnya disebut matriks tulisan tangan. Langkah-langka untuk menghitung nilai keocokan antara matriks pembanding A dengan matriks tulisan tangan A adalah seperti berikut. Untuk setiap nilai kemiringan transformasi affine untuk huruf tulisan tangan, kami menghitung hasil kali unsur-unsur seletak antara matriks pembanding huruf A dengan matriks tulisan tangan A dibagi jumlah seluruh unsur-unsur matrik tulisan tanganA dan nilai terbesarnyalah yang dipilih. Rata-rata dari nilai terbesar ini untuk 50 matriks tulisan tangan A yang berbeda disebut nilai kecocokan antara matriks pembanding A dengan matriks tulisan tangan A. Nilai rata-rata tersebut selanjutnya disebut nilai kecocokan antara pembanding huruf A dengan huruf A tulisan tangan. Dengan cara yang sama kita dapat mengitung nilai kecocokan untuk pembanding huruf A dengan huruf B, C, ..., Z tulisan tangan. Hasil nilai kecocokan pembanding huruf A
1448
VISI (2013) 21 (2) 1445-1451 dengan huruf- huruf lain tulisan tangan dan urutan kecocokannya dapat dilihat pada Tabel 1. Tabel 1. Nilai Kecocokan Pemanding A dengan Huruf Lain HURUF
NILAI KECOCOKAN
URUTAN KECOCOKAN
A
0.93
1
B
0.85
9
C
0.78
25
D
0.84
12
E
0.83
13
F
0.87
4
G
0.83
17
H
0.86
5
I
0.85
8
J
0.81
20
K
0.86
6
L
0.86
7
M
0.83
14
N
0.84
11
O
0.79
23
P
0.88
2
Q
0.83
18
R
0.87
3
S
0.83
16
T
0.83
15
U
0.79
24
V
0.79
22
W
0.77
26
X
0.85
10
Y
0.83
19
Z
0.81
21
Dengan cara yang sama kita dapat menentukan urutan kecocokan setiap pembanding huruf dengan huruf tulisan tangan seperti disajikan dalam Tabel 2. Nilai diagonal tabel yang selalu bernilai 1 menunjukkan bahwa setiap huruf pembanding selalu paling cocok dengan huruf besar tulisan tangan yang bersesuaian dengan huruf pembanding tersebut. Jadi metode pencocokan kurva dapat digunakan untuk mengenali huruf besar tulisan tangan.
1449
VISI (2013) 21 (2) 1445-1451
Tabel 2. Urutan Nilai Kecocokan Setiap Huruf Pembanding
IV. KESIMPULAN Berdasarkan hasil penelitian dapat disimpulkan bahwa metode pencocokan kurva dapat digunakan untuk mengenali huruf besar tulisan tangan tetapi untuk tujuan tersebut masih dibutuhkan penelitian lanjutan. DAFTAR PUSTAKA Canny, J. 1986. A Computational Approach to Edge Detection. IEEE Patern Analysis and Machine Intelligence 8(6): 679-698. Geusebroek, J.M., A.W.M. Smeuders and J.V.D. Weijer. 2003. Fast Anisotropic Gauss Filtering. IEEE Transactions on Image Processing 12(8): 938-943. Hanselman, D. and B. Littlefield. 1997. The Student Edition of MATLAB: version 5, user’s guide. Prentice-Hall, Inc. New Jersey.
1450
VISI (2013) 21 (2) 1445-1451 Hotta, K., T. Mishima and T. Kurita. 2001. Scale Invarian Face Detection and Classification Method Using Shift Invariant Features Extracted from LongPolar Image. IEICE Trans. on Information and System E84-D(7): 867-878. Jang, J.S.R., C.T. Sun and E. Mizutani. 1997. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. PrenticeHall.Inc. USA. Kamvysselis, M. 2000. Digit Recognition in http://web.mit.edu/manoli/ chars/nodes-all.html.
Curvature
Space.
Manik, E. 2004. Group Action dan Objek yang Sebangun. Jurnal Ilmiah Sains 4(2): 61-63. Senior, A.W. and A.J. Robinson. 1998. An Off-Line Cursive Handwriting Recognition System. IEEE Transaction on Pattern Analysis and Machine Intelligence 20(3): 309-321.
1451
VISI (2013) 21 (2) 1445-1451
1452
VISI (2013) 21 (2) 1445-1451
1453
