126
teks digital. Dalam proses pembuatan perangkat lunak tersebut dibuat menggunakan teks tulisan tangan sebagai citra masukan. Data tersebut diproses dan diwujudkan dalam
pengolahan citra dengan proses segmentasi menggunakan Thresholding, kemudian hasil dari pengolahan citra dimasukan sebagai masukan unit pada jaringan syaraf tiruan
Standart Backpropagation yang berfungsi sebagai pengambil keputusan dengan tujuan mengenali teks tulisan tangan tersebut dan selanjutnya diwujudkan dalam bentuk teks
digital dalam sistem komputer berkode ASCII.
Chandra Setia Rini tahun 2007 berjudul ―Perancangan dan Pembuatan Aplikasi Pengenalan Tulisan Tangan Menggunakan Metode Dominant Point
‖ Rini, 2007. Penelitian tersebut membahas tentang penggunaan ekstraksi ciri menggunakan
Dominant Point. Pada penelitian tersebut proses pengenalan tulisan tangan dilakukan secara real time dari segi akurasi dan waktu pelatihan.
Felicia Soedjianto, Lukas Dwi Kristianto, Rudy Adipranata pada tahun 2010 yang berjudul ―Signature Recognition with Dominant Point Method‖ Soedjianto, 2010.
Pada sistem pengenalan tanda tangan ini menggunakan metode titik dominan Dominant Point. Dengan Dominant Point, keberhasilan pengenalan tergantung pada arah
bergerak ketika menulis tanda tangan.
Pada penelitian ini dibangun sistem pengenalan tanda tangan secara real time yaitu proses ekstraksi ciri menggunakan metode Dominant Point untuk mendapatkan ciri
dari tiap karakter masukan. Metode ini pada dasarnya sistem akan membaca arah goresan pena yang didasarkan pada titik-titik local extrema kurva atau Dominant Point.
Metode yang digunakan untuk klasifikasi juga merupakan faktor yang penting untuk memperoleh tingkat akurasi yang baik. Adapun pada proses klasifikasi serta pengenalan
karakter menggunakan Fine Classification. Pada proses ini, pengenalan dilakukan dengan tiga tahap yaitu penilaian pra kandidat, menyeleksi kandidat, lalu pencocokan
karakter. Proses inilah yang membuat sistem dengan cepat melakukan pengenalan.
2. Pembahasan Dominant Point
Dominant Point adalah titik awal dan titik akhir stroke, local extrema, dan titik tengah yang menghubungkan kedua jenis titik tersebut secara yang berurutan [6] seperti
ditunjukkan Gambar 1. Untuk mendapatkan titik awal dan titik akhir dari stroke yaitu dengan mengakses array pada indeks yang paling awal dan indeks paling akhir. Konteks
kurva dala hal ini adalah fungsi fx Putra, 2009. Jika ada fungsi fx dan f
1
= 0, dimana
1
adalah angka yang terletak dalam domain dari f, maka
1
disebut angka kritis dari fungsi f. dan titik
1
,f
1
disebut titik kritis dari fungsi fx.
Gambar 1. Contoh Dominant Point Start Area dan End Area
Proses start area dan end area merupakan proses untuk menentukan titik awal dan titik akhir stroke. Karena proses yang dilakukan secara Real time, maka pengecekan
yang dilakukan dua kali pada setiap stroke. Pengecekan dilakukan secara vertikal dan horizontal. Pada posisi vertikal, yang dilihat berdasarkan nilai titik awal dan akhir pada
sumbu Y. Sedangkan pada posisi horizontal dilihat berdasarkan nilai titik awal dan akhir yang terletak pada sumbu X.
127
Karena pada tahap klasifikasi juga menggunakan nilai yang diperoleh dari start area dan end area pada setiap stroke, maka proses harus diseragamkan. Seperti pada
Gambar 2. Pembagian area ini digunakan untuk membagi area sama antara vertikal maupun horizontal. Pembagian vertical area gambar yang telah dituliskan oleh pengguna
dilakukan dengan membagi tinggi menjadi lima bagian. Karena tinggi dan lebar canvas adalah 100x100 pixel, maka tiap area lebar dan tinggi adalah 20 pixel Li, 1996.
Gambar 2. Pembagian area Direction Primitive
Direction Primitive digunakan untuk mengkonversi arah gerak ke dalam kode. Seperti ditunjukkan Gambar 3. ada delapan macam arah gerak, yaitu E, SE, S, SW, W,
NW, N, NE. Arah ini akan memberi kode pada nomor 0 sampai 7. Cara bacanya sesuai dengan arah jarum jam. Setelah mengikuti arah pada kode rantai chain code, maka
akan diperoleh chain code untuk setiap stroke seperti ditunjukkan Gambar 3.
Gambar3. Contoh Direction Code Generate Chain Code
Proses ini merupakan proses pencarian titik-titik Dominant Point dari tiap-tiap karakter. Langkah pertama yang dilakukan adalah dengan mencari arah gerakan pena
dari semua titik dalam karakter. Kemudian dilakukan tiga langkah selanjutnya yaitu penghalusan, pemampatan dan Dominant Point.
Seperti ditunjukkan Gambar 4. jika ada fungsi fx dan f‟x
1
= 0, dimana
1
adalah angka yang terletak dalam domain dari f, maka
1
disebut angka kritis dari fungsi f. dan titik x
1
, fx
1
disebut titik kritis dari fungsi fx Sezgin, 1998. Keterangan:
x : angka yang terletak dalam domain dari f
x
1
: disebut angka kritis dari fungsi f fx
1
: fungsi dari angka yang akan diobservasi x
1
, fx
1
: titik kritis dari fungsi f Oleh karena itu, titik tersebut dapat dikatakan local maximum jika terjadi
perubahan fungsi dari increasing ke decreasing, dan dapat dikatakan local minimum jika terjadi perubahan fungsi dari decreasing ke increasing. Local maximum dan local
minimum akan memiliki extreme value nilai ekstrim saja dalam beberapa interval fungsi domain.
128
Gambar 4. Local Maximum dan Minimum Extreme Cara lain yaitu nilai global maximum akan menjadi yang terbesar dari semua
fungsi domain dan nilai global minimum akan menjadi nilai terkecil untuk semua fungsi domain. Setelah Dominant Point dari local extrema diperoleh, maka ditambahkan dengan
titik awal dan titik akhir. Kemudian menentukan tipe Dominant Point yang ketiga yaitu titik tengah yang menghubungkan Dominant Point yang berupa titik awal dan titik akhir
dengan Dominant Point yang merupakan local extrema yang berurutan. Klasifikasi
Seleksi Kandidat
Proses seleksi kandidat bertujuan agar pada tahap klasifikasi tidah membutuhkan waktu yang terlalu lama. Karena pemeriksaan kemiripan pada tahap Fine
classification lebih mendetail, sedangkan pada tahap seleksi kandidat pemerikasaan bersifat lebih sederhana. Caranya adalah dengan memberi skor pada prekandidat yang
telah ditentukan.
Kriteria penilaian prekandidat adalah dengan menggunakan jumlah stroke, start dan end Area. Hasil dari semua skor yang didapat kemudian dilakukan rata-rata.
Prekandidat yang memiliki skor yang lebih tinggi dari batas yang telah ditentukan adalah kandidat terbaik yang kemudian akan dimunculkan sebagai hasil pengenalan terbaik.
Jika kode area tepat sesuai dengan kode yang diinginkan, maka skornya adalah 100. Namun, jika areanya bergeser ke area disebalahnya, maka skor yang diberikan adalah
50. Jika areanya melenceng jauh, maka skor yang diberikan adalah 0. Masing-masing skor untuk kode area akan dilakukan rata-rata sesuai dengan jumlah stroke Latifah,
2012. Fine Classification
Pada proses Fine classification akan menghitung skor dari semua kandidat. Kandidat yang memiliki skor paling tinggi akan menjadi hasil pengenalan. Pemberian skor
akan dilakukan untuk setiap stroke. Kandidat yang kodenya lebih mirip dengan kode, akan mendapatkan skor yang lebih besar. Hal ini dikarenakan proses ini melibatkan arah
gerak, maka skor yang diberikan bergantung pada kode arah geraknya.
Perancangan Sistem
Dalam penelitian ini dibangun sistem pengenalan dengan ekstraksi fitur tekstur menggunakan metode Dominant Point dengan proses pencocokan menggunakan
metode Fine Classification. Pada dasarnya sistem ini terbagi menjadi 2 sub, yaitu proses pelatihan data training dan proses pengujian data testing.
Proses pertama dilakukan adalah pengambilan data dengan menggunakan media yang telah dirancang dalam sistem dengan bantuan mouse pen. Data masukan
berupa tanda tangan real time menggunakan goresan dari mouse pen. Citra yang diperoleh dari perangkat masukan tersebut kemudian melalui tahapan preprosessing
yaitu normalisasi dan pengecekan area, kemudian melalui tahapan Ekstraksi Fitur untuk mendapatkan kode stroke dari citra masukan. Pada proses ini menggunakan Dominant
Point. Klasifikasi hasil dari data matrik kemudian diklasifikasikan menggunakan Fine
129
Classification. Hasil dari proses sistem ini tanda tangan yang dimasukkan oleh pengguna, dikenali oleh sistem atau tidak.
Proses-proses tersebut dilakukan baik pada data pelatihan dan data testing maupun pada proses pembuatan database. Kemudian dilakukan proses pencocokan
citra antara data testing dengan citra yang ada dalam database menggunakan metode pencarian nilai jarak yaitu Fine Classification Proses ini bertujuan untuk mencari citra
yang mirip dengan citra yang tersimpan dalam database.
Pada proses Dominant Point, seperti dijelaskan pada Gambar 6, langkah pertama setelah pengguna menggoreskan tanda tangan, kemudian menentukan titik
awal dan titik akhir stroke, local extrema, dan titik tengah yang menghubungkan kedua jenis tersebut yang berurutan.
Mulai
Selesai Menentukan Titik awal dan
titik akhir
Menentukan titik tengah Menentukan Local Extrema
Dominant Point
Gambar 6. Flowchart Umum Dominant Point Pada proses klasifikasi, data yang dimasukkan terlebih dahulu melalui tahap
ekstraksi fitur, kemudian diproses candidate selection. Pada proses ini, nilai yang didapat disimpan untuk kemudian di skorkan untuk proses klasifikasi seperti pada Gambar7.
Hasil akhir dari proses klasifikasi adalah tanda tangan yang dimasukkan oleh pengguna, dikenali atau tidak beserta skor kandidatnya.
Selesai Mulai
Candidate Selection
Fine Clasification
Hasil dikenali beserta Score
Gambar 7. Flowchart Klasifikasi
130
Data Uji Coba
Data uji coba merupakan citra tanda tangan dari 60 responden. Masing-masing responden terdiri dari 3 tanda tangan secara Real time, sehingga jumlah data pelatihan
sebanyak 180 citra tanda tangan. Contoh citra yang digunakan sebagai data pelatihan dapat dilihat pada Gambar 8.
Gambar 8. Contoh Data Pelatihan Yang Diambil Dari Responden
SkenarioUji Coba
Skenario uji coba merupakan perlakuan yang dilakukan untuk melakukan uji coba data testing terhadap data training. Skenario uji coba yang dilakukan sebagai
berikut : -
Data training diperoleh dari tanda tangan 60 mahasiswa, masing-masing mahasiswa membuat tanda tangan secara real time sebanyak 3 kali. Sehingga
total tanda tangan yang diperolah secara real time adalah 180. -
Data testing diperoleh dari tanda tangan 60 mahasiswa yang melakukan data training. Masing-masing mahasiswa membuat tanda tangan secara real time
sebanyak 1 kali. Sehingga total tanda tangan testing secara real time sebanyak 60.
Contoh Hasil Uji Coba
Gambar 9 adalah contoh hasil uji coba pada yang dikenali benar
√ . √
√
Gambar 9. Contoh Hasil Uji Coba yang Dikenali Benar
Gambar 10 adalah contoh hasil uji coba pada yang dikenali salah x. X
X
Gambar 10. Contoh Hasil Uji Coba yang Dikenali Salah dikenali sebagai
dikenali sebagai
dikenali sebagai
dikenali sebagai
131
Analisis Hasil Uji Coba
Setelah dilakukan uji coba terhadap pengenalan tanda tangan secara real time dengan beberapa kondisi , diperoleh hasil akurasi kebenaran sebesar 81. Tanda
tangan yang tidak berhasil dikenali disebabkan karena memiliki cara penulisan yang hampir sama. Error yang terjadi disebabkan oleh tanda tangan yang memiliki gaya
penulisan mirip dengan jumlah stroke dan kode yang memiliki pola stroke yang sama. 3. Kesimpulan
Setelah menyelesaikan perancangan dan pembuatan sistem pada aplikasi Pengenalan Tanda Tangan Secara Real Time Menggunakan Metode Dominant Point
dan Fine Classification serta melakukan uji coba dan evaluasi, maka dapat ditarik kesimpulan sebagai berikut :
1. Pada sistem pengenalan tanda tangan ini, dapat digunakan untuk mengenali citra
tanda tangan dengan nilai akurasi sebesar 81 menggunakan pengukuran nilai kemiripan Fine Classification.
2. Error yang terjadi disebabkan oleh tulisan yang memiliki gaya penulisan mirip dengan jumlah stroke dan kode yang memiliki pola stroke yang sama.
3. Semakin bagus tanda tangan yang disimpan untuk pelatihan, maka semakin tinggi
pula tingkat akurasinya. Ucapan Terima Kasih
Penelitian ini dibiayai oleh DIKTI dalam Penelitian Hibah Bersaing BOPTN Universitas Trunojoyo Madura Tahun 2014.
Daftar Pustaka
1. Fauzi, A, ―Perangkat Lunak Pengkonversi Teks Tulisan Tangan Menjadi Teks
Digital‖, 2009, Tugas Akhir Jurusan Matematika FMIPA-ITS. 2.
Latifah, C.S, ―Pengenalan Tulisan Tangan Carakan Jawa Secara Real Time Menggunakan Metode Dominant Point
‖, 2012, Tugas Akhir Jurusan Teknik Informatika Universitas Trunojoyo.
3. Li, X., Yeung, D.Y. 1996. ―On-line Handwritten Alphanumeric Character
Recognition Using
Dominant Points
in Stroke
‖. URL:
http:citeseerx.ist.psu.eduviewdocdownload?doi=10.1.1.52.8551rep=rep1type =pdf. Diakses Mei 2014.
4. Putra, D, 2009, Sistem Biometrika, Andi Publishing, Yogyakarta. 5.
