PENGENALAN HURUF TULISAN TANGAN MENGGUNAKAN METODE ZONING DAN SUPPORT VECTOR MACHINE

PENGENALAN HURUF TULISAN TANGAN MENGGUNAKAN METODE ZONING DAN SUPPORT VECTOR MACHINE Christyawan Ridanto Pitoyo, Tjut Awaliyah Zuraiyah, Arie Qur’ania Email : [email protected] Program Studi Ilmu Komputer FMIPA Universitas Pakuan Bogor Abstrak Computer vision merupakan salah satu bagian ilmu komputer yang meniru cara kerja visual manusia sehingga komputer dapat mengenali objek. Proses pengenalan objek oleh komputer memerlukan proses tertentu salah satu contohnya adalah pengenalan huruf tulisan tangan menggunakan zoning sebagai metode ekstraksi ciri dan support vector machine sebagai metode klasifikasi. Metode zoning yang digunakan adalah Image Centroid Zone (ICZ), Zone Centroid Zone (ZCZ), dan gabungan ICZ & ZCZ dengan jumlah zona 8. Support Vector Machine yang digunakan adalah kernel Radial Basis Function (RBF). Tahapan penelitian yang dilakukan meliputi pengumpulan data, analisis, preprocessing, ekstraksi ciri, klasifikasi dan uji coba. Nilai akurasi tertinggi diperoleh menggunakan zoning gabungan ICZ & ZCZ untuk huruf kapital sebesar 88,46%, sedangkan untuk huruf kecil sebesar 76,92%. Untuk nilai akurasi tertinggi huruf kapital dengan kemiringan 10 o dan 20o diperoleh menggunakan zoning ICZ sebesar 71,15%, sedangkan untuk nilai akurasi tertinggi huruf kecil dengan kemiringan diperoleh menggunakan zoning ICZ sebesar 76,92% untuk kemiringan 10o dan 59,61% untuk kemiringan 20o. Kata Kunci : Huruf, Pengenalan Pola, Support Vector Machine, Tulisan Tangan, Zoning mengenali suatu objek yang terdapat pada citra. Secara kasat mata, penglihatan manusia dengan sangat mudah dapat mengenali objek tersebut, tetapi tidak dengan komputer yang memerlukan berbagai proses yang cukup kompleks untuk dapat mengenali objek pada citra. Tulisan tangan merupakan contoh objek pada citra yang sering dilihat oleh mata manusia. Tulisan tangan memiliki gaya dan bentuk untuk tiap individu. Oleh karena itu, sering kali terjadi perbedaan makna yang disebabkan oleh variasi dari berbagai penulisan tiap individu tersebut. Bagi manusia dapat dengan mudah untuk mengenali tulisan tangan dari individu lainnya, karena ketika melihat objek tulisan tangan tertentu secara otomatis akan langsung mencocokan dengan memori di otak. Berbeda halnya dengan komputer, untuk dapat mengenali tulisan tangan program komputer memerlukan data yang mewakili objek dalam tulisan

Pendahuluan Kemajuan teknologi dalam bidang komputer merupakan salah satu perkembangan yang terjadi pada saat ini. Peran komputer sangat penting dalam kehidupan manusia untuk membantu dalam aktivitas sehari-hari. Pekerjaan manusia yang dahulu dikerjakan secara manual, saat ini dapat dikerjakan secara komputerisasi karena banyak dibantu dengan adanya komputer. Salah satu contoh kemajuan teknologi bidang komputer adalah computer vision. Computer vision dapat didefinisikan dengan pengertian pengolahan citra yang dikaitkan dengan akuisisi citra, pemrosesan, klasifikasi, penganan, dan pencakupan keseluruhan, pengambilan keputusan yang diikuti pengidentifikasian citra (Fadliansyah, 2007). Computer vision mencoba meniru cara kerja visual manusia. Pengembangan teknologi bidang computer vision salah satunya adalah bagaimana komputer dapat 1

tangan tersebut yang berupa data digital. Data digital tersebut diproses, sehingga dapat mengenali tulisan tangan manusia tersebut. Penelitian terdahulu telah banyak dilakukan antara lain penelitian dengan objek penelitian aksara jawa tulisan tangan menggunakan metode ekstraksi ciri zoning mendapatkan nilai akurasi sebesar 71,5 % (Syam, 2011) dan penelitian dengan objek penelitian tulisan tangan menggunakan metode support vector machine mendapatkan hasil ratarata akurasi sebesar 96,54% (Arridho, 2013). Penelitian mengenai perbandingan algoritma klasifikasi antara algoritma Naive Bayes (NB), Support Vector Machine (SVM) dan Artifical Neural Network (ANN) mendapatkan nilai akurasi sebesar 74 % untuk ANN, 81,10% untuk SVM, dan 51,80% untuk ANN (Chandani & Wahono, 2015). Penelitian ini bertujuan untuk membuat aplikasi Pengenalan Tulisan Tangan Menggunakan Metode Zoning dan Support Vector Machine.

Ektraksi Ciri Zoning Zoning merupakan salah satu metode ekstraksi ciri pada citra karakter. Secara umum, dengan metode ekstraksi ciri zoning citra akan dibagi menjadi beberapa zona yang berukuran sama, untuk kemudian dari setiap zona akan diambil cirinya (Syam, 2013). Seperti yang disebutkan dalam penelitian yang dilakukan oleh Rajashekararadhya dan Ranjan (2008), ada beberapa variasi algoritma dalam metode ekstrasi ciri zoning, yaitu metode ekstraksi ciri ICZ (image centroid and zone), metode ekstraksi ciri ZCZ (zone centroid and zone), dan metode ekstraksi ciri gabungan dari ICZ + ZCZ. Langkah-langkah pengerjaan dari tiap metode tersebut adalah sebagai berikut : 1. Metode ICZ a. Hitung centroid (pusat) dari citra masukan, centroid dari citra dinyataka dengan nilai koordinat (𝑥𝑐 , 𝑦𝑐 ), dengan rumus : 𝑥 .𝑝 + 𝑥 .𝑝2 +⋯+ 𝑥𝑛 .𝑝𝑛 𝑥𝑐 = 1 1𝑝 +𝑝2 +⋯+ …..(1) 𝑝 1

𝑦𝑐 =

Tinjauan Pustaka Pengenalan Pola Pengenalan pola terbagi menjadi 3 tahapan yaitu pemrosesan awal, ekstraksi fitur dan klasifikasi atau pengenalan. Pemrosesan awal merupakan tahapan pertama yang dilakukan untuk menyeragamkan citra masukan agar siap untuk dilakukan ekstraksi fitur. Pada tahap pengolahan awal biasanya dilakukan cropping, penghilangan noise dan resize citra. Ekstraksi fitur dilakukan bertujuan untuk mendapatkan ciri khas dari suatu citra. Ekstraksi fitur dapat dilakukan dengan mentransformasikan citra menjadi sebuah array atau memberikan tandatanda khusus yang mencerminkan ciri dari suatu citra. Pengenalan atau klasifikasi bertujuan untuk mengenali atau mengklasifikasi citra tertentu ke dalam suatu kelas (Aryantio & Munir, 2015).

2

𝑛

𝑦1 .𝑝1 + 𝑦2.𝑝2 +⋯+ 𝑦𝑛 .𝑝𝑛 𝑝1 +𝑝2 +⋯+ 𝑝𝑛

.....(2)

Dengan 𝑥𝑐 adalah centroid koordinat x, 𝑦𝑐 adalah centroid koordinat y, 𝑥𝑛 adalah koordinat x dari piksel ke-𝑛, 𝑦𝑛 adalah koordinat y dari piksel ke𝑛, dan 𝑝𝑛 adalah nilai piksel ke- 𝑛. b. Bagi citra masukan menjadi n zona yang sama. c. Hitung jarak antara centroid citra dengan koordinat setiap piksel yang memiliki nilai 1 yang terdapat dalam masing-masing zona. 𝑑(𝑃, 𝐶) = √(𝑥𝑝 − 𝑥𝑐 )2 + (𝑦𝑝 − 𝑦𝑐 )2 ) … ..(3) Dimana 𝑑 adalah jarak antara dua titik, 𝑃 adalah koordinat titik berat, C adalah koordinat piksel, 𝑥𝑝 adalah koordinat 𝑥 titik berat, 𝑦𝑝 adalah koordinat 𝑦 titik berat, 𝑥𝑐 adalah koordinat 𝑥 piksel, dan 𝑦𝑐 adalah koordinat 𝑦 piksel. 2

d. Ulangi langkah c untuk semua piksel yang ada dalam zona. e. Hitung jarak rata-rata antara titiktitik tersebut dengan rumus : 𝑅𝑎𝑡𝑎𝑗𝑎𝑟𝑎𝑘𝑛 =

1

𝛴𝑗𝑎𝑟𝑎𝑘

h. Ulangi langkah g untuk semua piksel yang ada dalam zona. i. Hitung jarak rata-rata antara titiktitik tersebut dengan persamaan (4). j. Ulangi langkah c-i secara berurutan. k. Akan didapatkan 2n ciri untuk klasifikasi dan pengenalan.

. (𝑡𝑜𝑡𝑎𝑙 𝑗𝑎𝑟𝑎𝑘)..(4)

f. Ulangi langkah c-e untuk semua zona secara berurutan. g. Akan didapatkan n ciri untuk klasifikasi dan pengenalan

Support Vector Machine Support Vector Machine pertama kali diperkenalkan oleh Vladimir Vanpik pada tahun 1992 sebagai rangkaian harmonisasi konsep-konsep unggulan dalam bidang pengenalan pola. Support Vector Machine merupakan metode pembelajaran yang digunakan untuk klasifikasi biner, ide dasarnya adalah mencari hyperplane terbaik yang berfungsi sebagai pemisah dua class pada input space.

2. Metode ZCZ a. Bagi citra masukan menjadi n zona yang sama. b. Hitung centroid tiap zona dengan persamaan (1) dan (2). c. Hitung jarak antara centroid zona dengan setiap piksel yang ada dalam zona dengan persamaan (3). d. Ulangi langkah c untuk semua piksel yang ada dalam zona. e. Hitung jarak rata-rata antara titiktitik tersebut dengan persamaan (4). f. Ulangi langkah c-e untuk semua zona secara berurutan. g. Akan didapatkan n ciri untuk klasifikasi dan pengenalan.

Gambar 1. Hyperplane terbaik SVM untuk memisahkan class -1 dan +1

3. Metode gabungan (ICZ dan ZCZ) a. Hitung centroid dari citra masukan dengan persamaan (1) dan (2). b. Bagi citra masukan menjadi 𝑛 zona yang sama. c. Hitung jarak antara centroid citra dengan koordinat setiap piksel yang memiliki nilai 1 yang terdapat dalam masing-masing zona dengan persamaan (3). d. Ulangi langkah c untuk semua piksel yang ada dalam zona. e. Hitung jarak rata-rata antara titiktitik tersebut dengan persamaan (4). f. Hitung centroid tiap zona dengan persamaan (1) dan (2). g. Hitung jarak antara centroid zona dengan setiap piksel yang ada dalam zona dengan persamaan (3).

Gambar 1 memperlihatkan beberapa pattern yang merupakan anggota dari dua buah class : +1 dan -1. Pattern yang tergabung pada class -1 disimbolkan dengan warna merah (kotak), sedangkan pattern pada class +1, disimbolkan dengan warna kuning (lingkaran). Problem klasifikasi dapat diterjemahkan dengan usaha menemukan garis (hyperplane) yang memisahkan antara kedua kelompok tersebut. Hyperplane pemisah terbaik antara kedua class dapat ditemukan dengan mengukur margin hyperplane tersebut dan mencari titik maksimalnya. Margin adalah jarak antara hyperplane tersebut dengan pattern terdekat dari masing-masing class. Pattern yang paling dekat ini disebut sebagai support vector. 3

Data yang tersedia dinotasikan sebagai 𝒙i ϵ Rn , sedangkan label masing-masing dinotasikan 𝒚i ϵ {-1,+1} untuk i = 1,2,….,l, yang mana l adalah banyaknya data (Nugroho et al., 2013). SVM dirancang tidak hanya untuk dapat menyelesaikan permasalahan linear, tetapi juga permasalahan non-linear. Dalam non-linear SVM, data 𝑥̅ dipetakan oleh fungsi Φ (𝑥̅ ) ke ruang vektor yang berdimensi lebih tinggi. Pada ruang vektor yang baru ini, hyperplane yang memisahkan kedua class tersebut dapat dikonstruksikan. Fungsi yang memetakan suatu permasalahan non-linear ke dalam ruang ciri yang lebih tinggi disebut dengan ̅i, 𝒙 ̅j). Beberapa kernel fungsi kernel, K(𝒙 yang biasa digunakan dalam SVM, yaitu : 1. Polynomial 𝑲(𝒙̅𝒊 , 𝒙̅𝒋 ) = (𝒙̅𝒊 . 𝒙̅𝒋 + 𝟏)𝒑 ……….(5) 2. Gaussian atau Radial Basis Function (RBF)

menggunakan metode zoning dan support vector machine dapat dilihat pada Gambar 2. Pengumpulan Data

Analisis

Preprocessing

Ekstraksi Ciri

Data Latih

Klasifikasi

Uji Coba

Gambar 2. Tahapan Penelitian

Perancangan dan Implementasi Tahap Pengumpulan Data Data yang digunakan dalam penelitian ini didapat dari pengisian formulir oleh 8 orang responden yang berbeda. Formulir yang digunakan menggunakan kertas A4 80 gram berwarna putih. Responden menuliskan 26 karakter huruf kapital dan 26 karakter huruf kecil menggunakan spidol kecil berwarna hitam. Formulir pengambilan data dapat dilihat pada Lampiran.

𝟐

𝑲(𝒙̅𝒊 , 𝒙̅𝒋 ) = 𝒆𝒙𝒑(−

‖𝒙̅𝒊 − 𝒙̅𝒋 ‖ 𝟐𝝈𝟐

)……..(6)

3. Tanget Hyperbolic (Sigmoid) 𝑲(𝒙̅𝒊 , 𝒙̅𝒋 ) = 𝐭𝐚𝐧𝐡(𝜶𝒙𝒊 . 𝒙𝒋 + 𝜷) …(7)

Confusion Matrix Confusion matrix adalah alat yang berguna menganalisis seberapa baik classifier mengenali data dari kelas yang berbeda. True Positive (TP) dan True Negative (TN) memberikan informasi ketika classifier benar, sedangkan False Positive (FP) dan False Negative (FN) memberitahu ketika classifier salah. (Han et al., 2012). Tabel ringkasan confusion matrix ditunjukkan pada Tabel 1 . Tabel 1. Ringkasan Confusion Matrix

Actual

Yes No

Data Uji

Tahap Analisis Tahap analisis dilakukan untuk mempelajari tahapan-tahapan yang akan dilakukan dalam proses pembuatan aplikasi. Alur pembuatan aplikasi pengenalan huruf tulisan tangan ditunjukkan pada Gambar 3. Start

Predicted Yes No TP FN FP TN

Citra huruf tulisan tangan (*.jpg)

𝑇𝑃+𝑇𝑁

𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 𝑇𝑃+𝐹𝑃+𝑇𝑁+𝐹𝑁 𝑥100…(8)

Ubah citra menjadi citra biner (binerisasi) dan dikomplemenkan

Citra biner (0,1)

Potong bagian citra yang tidak dibutuhkan (cropping)

Ekstraksi ciri menggunakan Zoning (ICZ, ZCZ, dan gabungan)

Proses thinning citra

Citra biner (32x32 piksel)

Ubah ukuran citra hasil cropping menjadi 32x32 piksel (resize)

Hasil ekstraksi ciri

Proses pengenalan huruf menggunakan SVM

Hasil pengenalan huruf

End

Gambar 3. Diagram Alur Kerja Sistem

Metode Penelitian Tahapan penelitian untuk melakukan pengenalan tulisan tangan 4

Tahap Preprocessing Pada tahap preprocessing, dilakukan proses binerisasi yaitu mengubah citra menjadi citra biner, sehingga citra hanya mempunyai nilai piksel 1 dan 0. Citra binerisasi dikomplemenkan sehingga akan didapat bagian karakter bernilai piksel 1 dan bagian background bernilai piksel 0. Setelah menjadi citra biner, citra akan di potong (crop) untuk mengambil bagian karakter. Karena bagian karakter tersebut yang akan diproses. Setelah mendapatkan citra baru hasil cropping, maka citra akan diseragamkan dengan ukuran citra sebesar 32x32 piksel. Lalu dilakukan proses thinning untuk mendapatkan kerangkan inti dari citra karakter tersebut. Perbandingan antara citra sebelum dilakukan preprocessing, binerisasi dan dikomplemenkan, cropping, resize dan thinning ditunjukkan pada Gambar 4.

(a)

c. Menghitung Jarak Centroid dengan Koordinat Bernilai Piksel 1 Pada setiap zona dihitung jarak antara centroid citra yang sudah didapat dengan koordinat yang mempunyai nilai pikel 1 menggunakan persamaan 3. d. Menghitung Jarak Rata-Rata Setiap Zona Rata – rata jarak setiap zona didapatkan dari hasil pembagian antara jumlah nilai jarak pada zona tersebut dengan jumlah koordinat piksel bernilai 1 pada zona tersebut. 2. Zone Centroid and Zone (ZCZ) a. Membagi Citra Menjadi Zona yang Sama Dalam penelitian ini citra dibagi menjadi 8 zona dengan masing-masing zona berukuran 8x16 piksel. b. Menghitung Centroid Citra Pada Setiap Zona Nilai centroid citra terdiri dari koordinat x dan koordinat y.

(b) (e)

(c)

c. Menghitung Jarak Centroid Zona dengan Koordinat Bernilai Piksel 1 Pada setiap zona dihitung jarak antara centroid zona yang sudah didapat dengan koordinat yang mempunyai nilai pikel 1 pada zona tersebut menggunakan persamaan 3.

(d)

Gambar 4. Preprocessing Citra : (a). Citra Asli sebelum dilakukan preprocessing, (b) Citra setelah dilakukan binerisasi dan dikomplemenkan, (c). Citra setelah dilakukan cropping, (d). Citra setelah di resize menjadi ukuran 32 x 32 piksel, (e). Citra setelah dilakukan thinning

Ekstrasi Ciri Zoning 1. Image Centroid and Zone (ICZ) a. Menghitung Centroid Citra Nilai centroid (pusat) citra didapat dari hasil perkalian antara koordinat titik dengan jumlah piksel dibagi dengan jumlah piksel keseluruhan citra seperti pada persamaan 1. Nilai centroid citra terdiri dari koordinat x dan koordinat y.

d. Menghitung Jarak Rata-Rata Setiap Zona Rata – rata jarak setiap zona didapatkan dari hasil pembagian antara jumlah nilai jarak pada zona tersebut dengan jumlah koordinat piksel bernilai 1 pada zona tersebut. Dari hasil rata-rata 8 zona tersebut maka didapatkan 8 nilai ciri dari karakter yang diekstraksi, dimana nilai ciri tersebut akan digunakan sebagai data pelatihan atau data pengujian.

b. Membagi Citra Menjadi Zona yang Sama Dalam penelitian ini citra dibagi menjadi 8 zona dengan masing-masing zona berukuran 8x16 piksel. 5

3. Gabungan ICZ dan ZCZ Tahapan yang dilakukan merupakan gabungan metode zoning ICZ dan ZCZ sehingga nilai ciri yang dihasilkan menggunakan metode gabungan ini sebanyak 2 kali lipat zona yang digunakan, karena zona yang digunakan sebanyak 8 zona, maka nilai ciri yang dihasilkan sebanyak 16 nilai ciri.

Perancangan Secara Umum Struktur Navigasi Struktur navigasi digunakan untuk menggambarkan secara garis besar isi dari seluruh halaman serta hubungan antara halaman tersebut. Diagram struktur navigasi aplikasi pengenalan huruf tulisan tangan dapat dilihat pada Gambar 5. Menu Utama

Pelatihan Support Vector Machine (SVM) Tahap pelatihan menggunakan citra yang sudah di ambil dari hasil scan huruf berbentuk *.jpg. Citra tersebut dilakukan preprocessing yaitu dengan mengubah citra menjadi citra biner (0,1) lalu dikomplemenkan, citra di potong dan di ambil bagian karakternya, setelah itu ukuran piksel citra dirubah menjadi 32 x 32 piksel, selanjutnya dilakukan proses thinning untuk mendapatkan kerangka inti dari citra tersebut. Setelah dilakukan preprocessing, dilakukan ektraksi ciri menggunakan metode zoning dan menghasilkan matrik 1 x 8 yang berasal dari hasil rata-rata tiap zona, yang disimpan dalam bentuk *.mat. Citra yang digunakan menjadi data pelatihan pada huruf kapital berjumlah 312 yaitu A_b1.jpg-Z_b1.jpg sampai A_b12.jpgZ_b12.jpg. Sedangkan pada huruf kecil berjumlah 312 yaitu a_k1.jpg-z_k1.jpg sampai a_k12.jpg-z_k12.jpg.

Pengenalan Huruf dengan Kemiringan

Pengenalan Huruf

Keluar

Huruf Kapital

Huruf Kapital dengan Kemiringan

Huruf Kecil

Huruf Kecil dengan Kemiringan

Gambar 5. Struktur Navigasi

Flowchart Sistem Flowchart sistem berguna untuk melihat jalannya proses-proses yang terjadi dalam sistem secara keseluruhan. Flowchart sistem aplikasi pengenalan huruf tulisan tangan ini dapat dilihat pada Gambar 6. Start Menu Utama 1. Pengenalan Huruf 2. Pengenalan Huruf dengan Kemiringan 2. Keluar Pengenalan Huruf

1. Huruf Kapital 2. Huruf Kecil

Pengujian Support Vector Machine (SVM) Tahap pengujian merupakan tahap dilakukan pengujian citra yang telah terlebih dahulu melalui tahap pelatihan, sehingga didapatkan hasil untuk pengenalan huruf tersebut. Citra yang digunakan untuk data pengujian pada huruf besar berjumlah 52 yaitu A_b13.jpg, A_b14.jpg sampai Z_b13.jpg, Z_b14.jpg. Sedangkan pada huruf kecil berjumlah 52 yaitu a_k13.jpg, a_k14.jpg sampai z_k13.jpg, z_k14.jpg.

Pengenalan Huruf dengan Kemiringan

1. Huruf Kapital dengan Kemiringan 2. Huruf Kecil dengan Kemiringan

Huruf Kapital

Huruf Kecil

Huruf Kapital dengan Kemiringan

Huruf Kecil dengan Kemiringan

Ambil Gambar Ekstraksi Ciri Test

Ambil Gambar Ekstraksi Ciri Test

Ambil Gambar Kemiringan Ekstraksi Ciri Test

Ambil Gambar Kemiringan Ekstraksi Ciri Test

Keluar

End

Gambar 6. Flowchart Sistem

Perancangan Secara Detail Rancangan Form Utama Form utama merupakan form pertama yang muncul ketika pertama kali menjalankan aplikasi ini. Pada form utama terdapat 2 menu utama yaitu menu pengenalan huruf dan keluar. Menu pengenalan huruf memiliki 2 sub menu yaitu menu huruf kapital dan menu huruf kecil. Rancangan form utama dapat dilihat pada Gambar 7. 6

Pengenalan Huruf

Pengenalan Huruf dengan Kemiringan

Tahap Implementasi Implementasi Aplikasi Implementasi pembuatan aplikasi ini menggunakan MATLAB R2014a.

Keluar

PENGENALAN TULISAN TANGAN MENGGUNAKAN METODE ZONING DAN SUPPORT VECTOR MACHINE

IMAGE

CHRISTYAWAN RIDANTO PITOYO 0651 12 100

Hasil Form utama dapat dilihat pada Gambar 10. Tampilan sub menu pengenalan huruf biasa untuk huruf kapital dapat dilihat pada Gambar 11. Sedangkan untuk sub menu pengenalan huruf kapital dengan kemiringan dapat dilihat pada Gambar 12.

PROGRAM STUDI ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PAKUAN BOGOR 2016

Gambar 7. Rancangan Form Utama

Rancangan Form Pengenalan Huruf Kapital Form pengenalan huruf kapital adalah form yang berfungsi untuk melakukan proses pengenalan huruf kapital. Rancangan form pengenalan huruf kapital dapat dilihat pada Gambar 8. Pengenalan Huruf

Pengenalan Huruf dengan Kemiringan

Keluar

PENGENALAN TULISAN TANGAN HURUF KAPITAL Citra

Hasil

Ambil Gambar Image Centroid and Zone (ICZ)

IMAGE

Gambar 10. Tampilan Form Utama

Ekstraksi Ciri

Zone Centroid and Zone (ZCZ)

Test IMAGE

Gabungan ICZ & ZCZ

Gambar 8. Rancangan Form Pengenalan Huruf Kapital

Rancangan Form Pengenalan Huruf Kapital dengan Kemiringan Form pengenalan huruf kapital rotasi adalah form yang berfungsi untuk melakukan proses pengenalan huruf kapital dengan tingkat kemiringan 10o dan 20o. Rancangan form pengenalan huruf kapital dengan kemiringan dapat dilihat pada Gambar 9. Pengenalan Huruf

Pengenalan Huruf dengan Kemiringan

Gambar 11. Tampilan Pengenalan Tulisan Tangan Huruf Kapital Biasa

Keluar

Pengenalan Tulisan Tangan Huruf Kapital dengan Kemiringan Citra Ambil Gambar

Kemiringan

IMAGE

IMAGE

Gambar 12. Tampilan Pengenalan Tulisan Tangan Huruf Kecil dengan Kemiringan

IMAGE

10 derajat 20 derajat

Hasil Ekstraksi Ciri Image Centroid and Zone (ICZ)

Gabungan ICZ & ZCZ

Ekstraksi Ciri Zoning Citra akan melalui tahap ekstraksi ciri zoning untuk mendapatkan nilai ciri dari sebuah karakter.

Test Zone Centroid and Zone (ZCZ)

Gambar 9. Rancangan Form Pengenalan Huruf Kapital dengan Kemiringan

7

Ekstraksi ciri zoning akan menghasilkan vektor 1 x 8 untuk setiap karakter, sehingga diperoleh vektor 156 x 8 untuk data pelatihan dan vektor 1 x 8 untuk data pengujian dan disimpan dalam bentuk *.mat.

dengan menjalankan form pada aplikasi. Hasil uji coba struktural dapat dilihat pada Tabel 2. Tabel 2 .Uji Coba Struktural No 1

Klasifikasi Support Vector Machine Proses klasifikasi karakter dilakukan dengan membandingkan data yang akan diuji dengan data pelatihan sebelumnya.

2

3

Pembahasan Pada penelitian ini citra diperoleh dari tulisan tangan 8 orang responden. Data yang digunakan sebanyak 728 data yang dibagi menjadi data pelatihan dan data pengujian. Data pelatihan sebanyak 624 data (312 data huruf kapital dan 312 data huruf kecil). Data pengujian sebanyak 104 data (52 data huruf kapital dan 52 data huruf kecil). Metode Zoning digunakan sebagai metode ekstraksi ciri dan metode Support Vector Machine digunakan sebagai klasifikasi. Hasil uji coba validasi pada pengenalan huruf kapital diperoleh tingkat akurasi sebesar 84,62% dengan menggunakan ekstraksi ciri zoning ICZ, 69,23% dengan menggunakan ekstraksi ciri zoning ZCZ, dan 88,46% dengan menggunakan ekstraksi ciri zoning gabungan ICZ dan ZCZ. Sedangkan pada pengenalan huruf kecil diperoleh tingkat akurasi sebesar 75% dengan menggunakan ekstraksi ciri zoning ICZ, 65,38% dengan menggunakan ekstraksi ciri zoning ZCZ, dan 76,92% dengan mengunakan ekstraksi ciri zoning gabungan ICZ dan ZCZ. Uji coba juga dilakukan dengan merubah tingkat kemiringan citra sebesar 10o dan 20o dari citra normal.

4

Struktur/Alur Form Utama  Pengenalan Huruf  Pengenalan Huruf Kapital  Ambil Gambar  Ekstraksi Ciri  Test Form Utama  Pengenalan Huruf  Pengenalan Huruf Kecil  Ambil Gambar  Ekstraksi Ciri  Test Form Utama  Pengenalan Huruf dengan Kemiringan  Pengenalan Huruf Kapital dengan Kemiringan  Ambil Gambar  Pilih Tingkat Kemiringan  Ekstraksi Ciri  Test Form Utama  Pengenalan Huruf dengan Kemiringan  Pengenalan Huruf Kecill dengan Kemiringan  Ambil Gambar  Pilih Tingkat Kemiringan  Ekstraksi Ciri  Test

Hasil Sesuai

Sesuai

Sesuai

Sesuai

Uji Coba Fungsional Uji coba fungsional dilakukan untuk mengetahui apakah bagian-bagian pada aplikasi berjalan sesuai fungsi masing-masing atau tidak. Hasil uji coba fungsional dapat dilihat pada Tabel 3. Tabel 3. Uji Coba Fungsional No Form 1 Form Utama

Fungsional Keterangan Menampilkan menu sesuai Berfungsi yang dipilih Form Pengenalan Mengambil citra Berfungsi Tulisan Tangan Mengekstrasi ciri citra Berfungsi Huruf Kapital Melakukan pengujian karakter Berfungsi

Uji Coba Struktural Uji coba struktural dilakukan untuk memastikan apakah aplikasi terstruktur dengan baik atau tidak, dengan menguji setiap form yang telah dirancang 8

2 Form Pengenalan Mengambil citra Tulisan Tangan Mengekstrasi ciri citra Huruf Kecil Melakukan pengujian karakter

Berfungsi

3 Form Pengenalan Mengambil citra Tulisan Tangan Melakukan kemiringan citra Huruf Kapital Mengekstrasi ciri citra dengan Kemiringan Melakukan pengujian karakter

Berfungsi Berfungsi

4 Form Pengenalan Mengambil citra Tulisan Tangan Melakukan kemiringan citra Huruf Kecil Mengekstrasi ciri citra dengan Kemiringan Melakukan pengujian karakter

Berfungsi

Berfungsi Berfungsi

Berfungsi Berfungsi Berfungsi Berfungsi Berfungsi

sebesar 71,15%, ZCZ sebesar 65,38%, dan gabungan sebesar 76,92%. Penelitian ini menghasilkan untuk pengenalan tulisan tangan huruf kapital dan pengenalan tulisan tangan huruf kecil tingkat akurasi yang lebih tinggi menggunakan metode zoning gabungan ICZ dan ZCZ.

Uji Coba Validasi Uji coba validasi dilakukan dengan cara membandingkan hasil data pelatihan dengan data pengujian. Untuk menghitung tingkat akurasi pengujian, menggunakan persamaan 8. Tabel 4. Hasil Akurasi Huruf Kapital Kemiringan Zoning ICZ ZCZ Gabungan ICZ & ZCZ

Normal (0o) 84,62% 69,23% 88,46%

10o

20o

71,15% 57,69% 69,23%

71,15% 46,15% 59,61%

Saran Aplikasi pengenalan huruf tulisan tangan ini dapat dikembangkan dengan menambah jumlah data latih untuk mendapatkan tingkat akurasi yang lebih tinggi. Selain itu, dapat menggunakan metode ekstraksi ciri yang lain seperti Principal Component Analysis, Fuzzy Feature Extraction dan sebagainya atau metode klasifikasi yang lain seperti KNearest Neighbour, Backpropagation Neural Network dan sebagainya. Selain itu juga dapat dikembangkan dengan berbasis mobile, agar proses pengambilan citra huruf bisa dilakukan secara real time.

Tabel 5. Hasil Akurasi Huruf Kecil Kemiringan Zoning ICZ ZCZ Gabungan ICZ & ZCZ

Normal (0o) 71,15% 65,38% 76,92%

10o

20o

76,92% 51,92% 67,31%

59,61% 34,62% 42,31%

Analisa Kesalahan Beberapa faktor yang menyebabkan akurasi yang diperoleh tidak terlalu tinggi antara lain : 1. Citra huruf tulisan tangan lebih bervariasi dibandingkan dengan citra huruf cetak (printed) karena setiap orang memiliki gaya penulisan yang berbeda. 2. Berdasarkan tabel confusion matrix, beberapa karakter yang diuji terklasifikasi ke dalam karakter yang tidak sesuai dengan kelas aslinya, hal tersebut disebabkan karena karakter tersebut memiliki bentuk yang mirip dengan karakter lainnya, seperti : a. O mirip dengan D b. G mirip dengan C c. Q mirip dengan O d. i mirip dengan l e. q mirip dengan a f. p mirip dengan f

Daftar Pustaka Arridho et al. 2013. Analisis Pen Pressure Tulisan Tangan Untuk Mengidentifikasi Kepribadian Seseorang Menggunakan Support Vector Machine (SVM). Universitas Diponegoro. Semarang. Aryantio, A & Munir, R. 2015. Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan. Konferensi Nasional Informatika. Chandani, V & Wahono, R.S. 2015. Komparasi Algoritma Klasifikasi Machine Learning dan Feature Selection pada Analisis Sentimen Review Film. Journal of Intelligent System. Vol. 1. No. 1. Fadliansyah. 2007. Computer Vision dan Pengolahan Citra. ANDI. Yogyakarta. Han et al. 2012. Data Mining Concepts and Techniques Third Edition.

Kesimpulan Uji coba pengujian pengenalan karakter untuk huruf kapital menggunakan zoning ICZ sebesar 84,62%, ZCZ sebesar 69,23 %, dan gabungan sebesar 88,46%. Sedangkan untuk pengenalan karakter huruf kecil menggunakan zoning ICZ 9

Morgan Kaufmann Publisher. United States of America. Mulia, I. 2012. Pengenalan Aksara Sunda Menggunakan Ekstraksi Ciri Zoning dan Klasifikasi Support Vector Machine. Skripsi. Institut Pertanian Bogor. Bogor. Munir, R. 2007. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Informatika. Bandung. Nugroho et al. 2003. Suport Vector Machine Teori dan Aplikasinya dalam Bioinformatika. IlmuKomputer.Com. Rajashekararadhya, S.V. & Ranjan, Dr. P. V. 2008. Eficient Zone Based Feature Extraction Algorithm For Handwritten Numeral Recognition Of Four Popular South Indian Scripts. Journal of Theoretical and Applied Information Tehnology. Surya, F.H. 2015. Pengenalan Tulisan Tangan Huruf Jawi (Arab Melayu) Menggunakan Jaringan Saraf Tiruan Backpropagation. Stmik Budi Darma. Medan Syam, R.M. 2013. Pengenalan Aksara Jawa Tulisan Tangan dengan Menggunakan Ektraksi Fitur Zoning dan Klasifikasi K-Nearest Neighbour. Skripsi. Institut Pertanian Bogor. Bogor. Yudha, Ancemona AS. 2014. Pengenalan Huruf Tulisan Tangan Menggunakan Fuzzy Feature Extraction dengan Pendekatan Radial Basis Function Neural Network. Skripsi. Universitas Bengkulu. Bengkulu.

10