Analisis Grafologi Berdasarkan Huruf a dan t Menggunakan Algoritme Voting Feature Intervals 5

ABSTRACT

FAZARIAH RACHMAWATI. Personality Analysis Based on Letter a and t using Voting Feature
Intervals 5 Algorithm. Under direction of AZIZ KUSTIYO.
Graphology is a scientific method to identify, evaluate and understand human personality
through the strokes and patterns revealed by handwriting. Handwriting will indicate the true
personality including emotional, fear, honesty, defenses and many others. People who studied
graphology called grapohologist. Graphologist has a subjective assessment in handwriting
analyzing. Different graphologist can analyze the same handwriting but the result will shown in a
different way. The accuracy of handwriting depends on the graphologist ability. Therefore, the
computer technology will be needed to apply the science of graphology to help graphologist in
analyzing handwriting. This research is concern to developed a model of handwriting analysis
based on letter a and letter t using Voting Feature Intervals 5 algorithm. Image as an input for
VFI5 algorithm and personality as an output. The result showed that letter a easier to be
recognized than letter t.
Keywords : Graphology, Voting Feature Intervals 5 (VFI5)

iii

ANALISIS GRAFOLOGI BERDASARKAN HURUF a DAN t
MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5

FAZARIAH RACHMAWATI

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011

ABSTRACT

FAZARIAH RACHMAWATI. Personality Analysis Based on Letter a and t using Voting Feature
Intervals 5 Algorithm. Under direction of AZIZ KUSTIYO.
Graphology is a scientific method to identify, evaluate and understand human personality
through the strokes and patterns revealed by handwriting. Handwriting will indicate the true
personality including emotional, fear, honesty, defenses and many others. People who studied
graphology called grapohologist. Graphologist has a subjective assessment in handwriting
analyzing. Different graphologist can analyze the same handwriting but the result will shown in a
different way. The accuracy of handwriting depends on the graphologist ability. Therefore, the
computer technology will be needed to apply the science of graphology to help graphologist in

analyzing handwriting. This research is concern to developed a model of handwriting analysis
based on letter a and letter t using Voting Feature Intervals 5 algorithm. Image as an input for
VFI5 algorithm and personality as an output. The result showed that letter a easier to be
recognized than letter t.
Keywords : Graphology, Voting Feature Intervals 5 (VFI5)

iii

ANALISIS GRAFOLOGI BERDASARKAN HURUF a DAN t
MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5

Skripsi
Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor

FAZARIAH RACHMAWATI
G64070120

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011
ii

Judul

: Analisis Grafologi Berdasarkan Huruf a dan t Menggunakan Algoritme Voting
Feature Intervals 5

Nama

: Fazariah Rachmawati

NRP

: G64070120

Menyetujui:

Pembimbing,

Aziz Kustiyo, S.Si, M.Kom
NIP. 19700719 199802 1 001

Mengetahui:
Ketua Departemen Ilmu Komputer

Dr. Ir. Sri Nurdiati, MSc
NIP. 19601126 198601 2 001

Tanggal Lulus:
iv

PRAKATA
Segala puji bagi Allah SWT, atas limpahan rahmat dan karuniaNya dan semoga shalawat dan
salam tetap tercurahkan kepada nabi Muhammad SAW. Penulis mengucapkan Alhamdulillahi
rabbal ‘alamin, atas selesainya skripsi dengan judul Analisis Grafologi Berdasarkan Huruf a dan t
Menggunakan Algoritme Voting Feature Intervals 5. Skripsi ini merupakan salah satu syarat untuk

memperoleh gelar Sarjana Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor.
Penulis mengucapkan terima kasih kepada semua pihak sehingga terselesaikannya skripsi ini,
diantaranya :
1. Orang tua tercinta yang selalu memberikan doa dan motivasi kepada penulis
2. Bapak Aziz Kustiyo, S.Si.,M.Kom selaku pembimbing yang telah memberikan arahan
dan masukan sehingga selesainya skripsi ini.
3. Bapak Endang Purnama Giri, S.Kom, M.Kom. selaku penguji I dan moderator, terima
kasih atas saran, kritikan dan bimbingannya kepada penulis.
4. Bapak Dr. Ir. Agus Buono, M.Si, M.Kom. selaku penguji II, terima kasih atas saran,
kritikan dan bimbingannya kepada penulis.
5. Fitria Kusuma Dewi, S.Hut dan Mugi Rahayu, S.Psi selaku grafologis dan psikolog
yang telah memberikan arahan dan masukan sehingga selesainya skripsi ini.
6. Seluruh dosen pengajar dan civitas akademika Departemen Ilmu Komputer FMIPA
IPB
7. Teman-teman satu bimbingan Amanda K H, Jilly Pratiwi, Fauzan Ismara A,
Supriyanti, Nurfitriana, dan Danar yang telah memberikan bantuan dan motivasi.
8. Serta teman-teman program studi Ilmu Komputer 44 atas motivasi dan
kebersamaannya selama ini.
Akhirnya penulis berharap semoga skripsi ini dapat bermanfaat bagi semua pihak yang

membutuhkan. Amin

Bogor, Agustus 2011

Fazariah Rachmawati

v

RIWAYAT HIDUP
Penulis dilahirkan di Bogor pada tanggal 16 Desember 1989 sebagai anak pertama dari empat
bersaudara dari ayah yang bernama Dedi Sutaryadi dan ibu yang bernama Atikah. Pada tahun 2007
penulis lulus dari Sekolah Menengah Atas Negeri 6 Bogor (SMAN 6). Penulis melanjutkan studi
di Institut Pertanian Bogor Departemen Ilmu Komputer melalui jalur Seleksi Penerimaan
Mahasiwa Baru (SPMB).

vi

DAFTAR ISI
Halaman
DAFTAR TABEL .................................................................................................................... viii

DAFTAR LAMPIRAN ............................................................................................................. viii
PENDAHULUAN ....................................................................................................................... 1
Latar Belakang ....................................................................................................................... 1
Tujuan.................................................................................................................................... 1
Ruang Lingkup....................................................................................................................... 1
Manfaat Penelitian.................................................................................................................. 1
TINJAUAN PUSTAKA .............................................................................................................. 1
Grafologi................................................................................................................................ 1
Huruf a.................................................................................................................................. 2
Huruf t ................................................................................................................................... 2
Citra Digital ........................................................................................................................... 2
Pengolahan Citra .................................................................................................................... 3
Klasifikasi .............................................................................................................................. 3
Voting Feature Intervals (VFI5) ............................................................................................. 3
Confusion Matrix ................................................................................................................... 4
METODE PENELITIAN ............................................................................................................. 4
Data Citra Tulisan Tangan ...................................................................................................... 5
Praproses................................................................................................................................ 5
Data Latih dan Data Uji .......................................................................................................... 5
Algoritme VFI5 ...................................................................................................................... 6

Analisis Hasil Klasifikasi........................................................................................................ 6
Lingkungan Pengembangan .................................................................................................... 6
HASIL DAN PEMBAHASAN .................................................................................................... 6
Percobaan 1 Huruf a tanpa pertukaran ..................................................................................... 6
Percobaan 2 Huruf a dengan pertukaran data ........................................................................... 7
Percobaan 3 Huruf t tanpa pergeseran ..................................................................................... 8
Percobaan 4 Huruf t dengan pergeseran .................................................................................. 8
KESIMPULAN DAN SARAN .................................................................................................... 9
Kesimpulan ............................................................................................................................ 9
Saran...................................................................................................................................... 9
DAFTAR PUSTAKA .................................................................................................................. 9
LAMPIRAN .............................................................................................................................. 11

vii

DAFTAR TABEL
Halaman
1 Bentuk huruf a dan karakternya. ................................................................................................ 2
2 Bentuk huruf t dan karakternya................................................................................................. 2
3 Confusion matrix untuk data dua kelas ...................................................................................... 4

4 Kelas prediksi huruf a ............................................................................................................... 5
5 Kelas prediksi huruf t ............................................................................................................... 5
6 Hasil percobaan huruf a tanpa pertukaran ................................................................................. 6
7 Jumlah vote data uji percobaan 1 yang salah klasifikasi.............................................................. 6
8 Daftar kesalahan huruf a tanpa pertukaran data ......................................................................... 7
9 Hasil percobaan huruf a dengan pertukaran data ....................................................................... 7
10 Jumlah vote data uji percobaan 2 yang salah klasifikasi ............................................................ 7
11 Daftar huruf a dengan pertukaran data yang salah diklasifikasi................................................. 7
12 Hasil percobaan huruf t ........................................................................................................... 8
13 Beberapa contoh jumlah vote data uji percobaan 3 yang salah klasifikasi ................................. 8
14 Daftar huruf t tanpa pergeseran yang salah diklasifikasi. .......................................................... 8
15 Hasil percobaan huruf t setelah digeser. ................................................................................... 8
16 Jumlah vote data uji percobaan 4 yang salah klasifikasi ............................................................ 9
17 Contoh huruf t dengan pergeseran yang salah diklasifikasi. ...................................................... 9

DAFTAR LAMPIRAN
Halaman
1 Kalimat yang dituliskan responden .......................................................................................... 12
2 Citra data latih dan data uji huruf a.......................................................................................... 13
3 Citra data latih dan data uji huruf t........................................................................................... 15

4 Jumlah Vote Data yang Salah Klasifikasi pada Percobaan 3 ..................................................... 17
5 Jumlah Vote Data yang Salah Klasifikasi pada Percobaan 4 ..................................................... 18

viii

PENDAHULUAN

Latar Belakang
Pengenalan karakter dan potensi diri
melalui tulisan tangan merupakan penelitian
yang cukup penting. Ini disebabkan
banyaknya tes psikologi yang ditawarkan dan
disediakan untuk membantu mengenali
potensi diri, tetapi tidak banyak yang
menawarkan tes yang sederhana, dapat
dilakukan di mana saja, waktu pengerjaan
cepat, hasil instan tanpa harus bertatap muka,
dan yang paling penting keakuratannya lebih
dari 80%. Hanya grafologi yang menawarkan
ini dan analisis tulisan tangan pun dapat

menguak potensi dasar yang belum tergali
secara optimal dan mencari tahu mengapa hal
itu bisa terjadi (Rosette 2010).
Grafologi adalah ilmu yang mempelajari,
mengidentifikasi, menganalisis, mengevaluasi
dan mengetahui kepribadian sesorang melalui
pola tulisan tangannya. Tulisan tangan
mengungkapkan kepribadian sejati termasuk
emosi, ketakutan, kejujuran, pertahanan dan
banyak hal lainnya (Champa & Kumar 2010).
Bentuk tulisan tangan seperti sidik jari dan
DNA yang merupakan sesuatu yang unik dan
berbeda di setiap orang. Tahun 1875, Jean
Hyppolyte Michon memperkenalkan teori
pengenalan karakter seseorang melalui tulisan
ini yang dikenal dengan sebutan grafologi.
Sejak tahun 1985 grafologi digunakan dalam
ilmu kesehatan, pendidikan dan jurnalistik.
Bentuk tulisan tangan merupakan alat ukur
yang tidak dapat berbohong karena berasal
dari alam bawah sadar. Kecuali, proses syarafsyaraf pusat dalam sistem tubuh dan pikiran
bawah sadar dapat dikontrol. Bila seseorang
berusaha untuk mengubah tulisan tangannya,
hal tersebut dapat diidentifikasikan sebagai
ketidakjujuran. Apabila seseorang mengubah
bentuk tulisan secara permanen, format cara
berpikir pun harus diubah. Jadi, yang
dianalisis adalah bentuk, bukan isi tulisan
karena isi tulisan cenderung dapat direkayasa.
Grafologis dapat mempunyai penilaian
yang subjektif dalam menganalisis tulisan
tangan. Grafologis yang berbeda dapat
menganalisis tulisan tangan yang sama tetapi
memberikan hasil yang berbeda (Galbraith &
Guest 1994 yang diacu dalam Sheilkholeslami
et al). Keakuratan dari hasil analisis tulisan
tangan
bergantung
pada
kemampuan
grafologis itu sendiri (Champa & Kumar
2010). Oleh karena itu, dibutuhkan suatu
pemanfaatan teknologi komputer yang dapat

menerapkan ilmu grafologi untuk membantu
grafologis dalam menganalisis tulisan tangan.
Penelitian ini mencoba mengembangkan
metode analisis Grafologi dengan menguji
data tulisan tangan. Algoritme VFI5
digunakan pada penelitian ini, karena selain
merupakan algoritme klasifikasi algoritme ini
juga cukup kokoh terhadap fitur yang tidak
relevan tetapi memberikan hasil yang baik.
Pada data analisis tulisan tangan fitur yang
tidak relevan kemungkinan akan ada,
dikarenakan data anilisis dari pakar akan
berbeda-beda.
Penelitian sebelumnya tentang analisis
tulisan tangan yaitu penelitian Grafologi yang
pernah dilakukan yaitu tentang Artificial
Neural Network for Human Behavior
Prediction through Handwriting Analysis
(Champa & Kumar 2010). Pada penelitian ini
dilakukan analisis grafologi pada parameter
huruf t menggunakan jaringan syaraf tiruan
propagasi balik. Input berupa citra tulisan
tangan huruf t dan output yang dihasilkan
berupa karakter berdasarkan pada tekanan
pena, baseline dan tanda bar t dan ketinggian
huruf t orang tersebut.
Tujuan
Tujuan penelitian ini adalah melakukan
pengenalan tulisan tangan dengan citra
menggunakan algoritme VFI5.
Ruang Lingkup
Citra yang digunakan diperoleh dari 57
responden yang merupakan tulisan tangan tiap
orang yang berukuran, yaitu 40x40 piksel.
Penelitian ini juga dibatasi pada huruf yang
digunakan yaitu huruf a dan huruf t. Output
yang diperoleh dikelompokkan ke dalam tiga
kelas pada masing-masing huruf a dan huruf t.
Manfaat Penelitian
Manfaat dari penelitian ini adalah untuk
membantu grafologis dalam menganalisis
tulisan tangan.
TINJAUAN PUSTAKA
Grafologi
Analisis Tulisan Tangan atau Grafologi
adalah
ilmu
yang
mempelajari,
mengidentifikasi, menganalisis, mengevaluasi
dan mengetahui kepribadian sesorang melalui
pola tulisan tanganya. Tulisan tangan
mengungkapkan kepribadian sejati termasuk
emosi, ketakutan, kejujuran, pertahanan dan
1

banyak hal lainnya. Analisis tulisan tangan
bukan dokumen periksaan, yang dapat
mengidentifikasi siapa penulis dari contoh
tulisan tangan tersebut (Champa & Kumar
2010).
Tulisan tangan sering disebut sebagai
tulisan otak karena setiap ciri kepribadian
diwakili oleh pola saraf otak. Setiap pola saraf
otak menghasilkan gerakan neuromuskular
yang unik untuk setiap orang yang memiliki
ciri kepribadian tertentu. Saat menulis, terjadi
gerakan-gerakan kecil secara tidak sadar.
Setiap menulis gerakan atau goresan
mengungkapkan ciri kepribadian tertentu.
Dengan kata lain, grafologi adalah ilmu yang
mengidentifikasikan pola yang muncul dalam
tulisan tangan dan menggambarkannya sesuai
sifat kepribadian. Orang yang mempelajari
grafologi
disebut
grafologis.
Akurasi
grafologis dalam menganalisis tulisan tangan
tergantung pada keterampilan grafologis itu
sendiri (Champa & Kumar 2010).
Huruf a
Dalam grafologi banyak huruf yang
memberi
petunjuk
tentang
ciri-ciri
kepribadian. Salah satunya adalah huruf a.
Huruf a dalam grafologi termasuk kedalam
huruf kecil spesifik. Pada Tabel 1 akan
dijelaskan beberapa bentuk huruf a beserta
penggambaran karakternya (Amend & Ruiz
1980).
Tabel 1 Bentuk huruf a dan karakternya.
Bentuk Huruf

a balok

a terbuka atas

a sangat
tertutup

Karakter
cenderung tertarik pada
kegiatan yang
berhubungan dengan
seni, musik, budaya, dan
sastra
Kedermawanan,
keterusterangan,
kejujuran, dan ketulusan.
Takut salah, tertutup
individu ini akan jujur
dan terus terang jika
ditanya mengenai
pendapatnya, berbeda
dengan huruf a terbuka
di atas yang jujur dalam
mengemukakan pendapat
secara sukarela tanpa
diminta.

Huruf t
Sejauh ini, banyak analisis tulisan tangan
yang menganggap huruf t merupakan huruf

dari abjad yang secara grafologis paling
penting. Dalam tulisan tangan seseorang,
panjang, tekanan, penempatan, dan bentuk
dari silangan huruf t memperlihatkan irama
dan kekuatan kehendak yang ada di baliknya.
Penempatan ruji t pada batangnya merupakan
petunjuk utama terhadap sasaran-sasaran
individual. Ada lebih dari 50 cara yang
berbeda untuk menyilangkan huruf t dan
seorang penulis akan sering mengubah atau
memodifikasi gayanya seiring berubahnya
kepribadian, atau karena kesehatanya yang
berubah. Beberapa bentuk dan penggambaran
karakter akan dijelaskan pada Tabel 2 (Amend
& Ruiz 1980).
Tabel 2 Bentuk huruf t dan karakternya.
Bentuk Huruf
Karakter
Ambisi: Balance,
terkontrol
Ruji t yang horizontal
menunjukkan
Ruji t lurus
individu yang tenang
dan dapat
mengendalikan diri
dalam berfikir dan
bertindak.
Ambisi: Optimisme,
semangat,
antusiasme, ambisi
Individu yang
optimis, dinamis, dan
Ruji t naik
termotivasi. Selain
itu, menggambarkan
pribadi yang
bersemangat dan
percaya diri, dan
antusias.
Ambisi: Pesimis,
kurang termotivasi.
Individu yang suka
bergantung pada
Ruji t turun
orang lain, mudah
putus asa dan pasrah.
Citra Digital
Citra dapat didefinisikan sebagai fungsi
dua dimensi, f(x,y), dimana x dan y adalah
koordinat spasial dan amplitudo dari f pada
setiap pasangan koordinat (x,y) yang disebut
intensitas atau derajat keabuan sebuah citra.
Ketika x,y dan nilai amplitudo f bernilai
terbatas dan diskret, maka citra tersebut
disebut citra digital (Gonzalez & Woods
2002).
Citra digital terdiri dari sejumlah elemen
yang terbatas, dimana setiap elemen memiliki
lokasi tertentu dan nilai yang khusus. Elemen
2

ini disebut sebagai picture elements, image
elements, pels atau pixels. Pixel adalah istilah
yang paling sering digunakan untuk
menunjukkan elemen dari sebuah citra digital
(Gonzalez & Woods 2002).
Pengolahan Citra
Pengolahan citra digital merupakan proses
yang masukan dan keluaranya adalah citra dan
meliputi proses pengekstrakan atribut dari
citra dan pengenalan citra. Selain itu, yang
dimaksud dengan pengolahan citra digital
biasanya
adalah
pengolahan
citra
menggunakan komputer digital (Gonzalez &
Woods 2002).
Klasifikasi
Klasifikasi merupakan serangkaian proses
untuk menemukan sekumpulan model yang
merepresentasikan dan membedakan kelaskelas data. Klasifikasi ini bertujuan agar
model tersebut dapat digunakan untuk
memprediksi kelas dari suatu data yang label
kelasnya tidak diketahui (Han & Kamber
2006).
Klasifikasi terdiri atas dua tahap, yaitu
pelatihan dan klasifikasi. Tahap pelatihan,
menggunakan beberapa algoritme, dan
dibentuk sebuah model domain dari setiap
data pelatihan yang label kelasnya sudah
diketahui. Tahap klasifikasi, menggunakan
model dan mencoba untuk memprediksi kelas
yang baru dari label kelas yang sudah
diketahui sebelumnya (Güvenir & Demiroz
1998)
Voting Feature Intervals (VFI5)
Algoritme Voting Feature Interval
merupakan algoritme klasifikasi yang
merepresentasikan deskripsi sebuah konsep
dengan sekumpulan interval nilai fitur.
Klasifikasi sebuah instance baru didasarkan
pada vote klasifikasi yang dibuat oleh nilai
setiap fitur secara terpisah. VFI5 merupakan
algoritme klasifikasi yang bersifat nonincremental, yaitu semua data training
diproses secara bersamaan. Setiap contoh data
training direpresentasikan sebagai nilai-nilai
fitur sebuah vektor nominal (diskret) atau
linear (kontinu) disertai sebuah label yang
merepresentasikan kelas contoh data. Dari
contoh pelatihan, algoritme VFI5 membentuk
interval untuk masing-masing fitur (Güvenir,
Demiroz & Ilter 1998).
Interval yang dibuat dapat berupa range
interval atau point interval. Range interval
didefinisikan sebagai nilai antara dua end

point yang berdekatan tetapi tidak termasuk
kedua end point tersebut, sedangkan point
interval didefinisikan sebagai seluruh end
point secara berturut-turut. Untuk setiap
interval, vote tiap kelas disimpan untuk tiap
intervalnya. Dengan demikian, interval dapat
mewakili beberapa kelas dengan menyimpang
vote untuk setiap kelas. Algoritme VFI5
terdiri atas tahap pelatihan dan klasifikasi
(Güvenir, Demiroz & Ilter 1998).
1.

Pelatihan
Langkah pertama pada pelatihan adalah
menemukan end point untuk setiap kelas c
pada setiap fitur f. End point kelas c yang
ditentukan merupakan nilai terendah dan
tertinggi pada fitur linear f pada beberapa
contoh kelas yang diamati. Pada end point
dimensi fitur nominal f pada kelas c yang
diberikan adalah semua nilai yang berbeda
dari f pada beberapa instance yang diamati.
End point dari masing-masing fitur f disimpan
dalam array EndPoint[f]. Pada setiap fitur
linear terdapat end point sebesar 2k, dimana k
adalah jumlah kelas. End point pada setiap
dimensi fitur diurutkan untuk menjadi fitur
linear. Jika fitur adalah fitur linear, maka point
interval terdiri dari setiap end point yang
berbeda dan range interval dibentuk di
antaranya. Jika fitur adalah fitur nominal, tiap
end point yang berbeda merupakan point
interval.
Selanjutnya jumlah instance pelatihan
pada tiap interval dihitung dan jumlah
instance kelas c dalam interval i dari fitur f
direpresentasikan
sebagai
interval_class_count[f, i, c]. Untuk setiap
instance pelatihan, dimana interval i yang
merupakan nilai untuk fitur f dari instance
pelatihan e (ef) tersebut berada. Jika interval i
adalah point interval dan ef sama dengan batas
bawah (yang sama dengan batas atas pada
point interval), jumlah kelas instance (ef) di
interval i ditambah 1. Jika interval i adalah
range interval dan ef berada pada batas
bawah interval tersebut , maka jumlah kelas ef
di interval i ditambah dengan 0.5. Tapi jika ef
berada pada interval i, maka jumlah kelas ef
dalam interval ditambah dengan 1.
Untuk menghilangkan efek perbedaan
distribusi, jumlah instance kelas c untuk fitur f
pada interval i dinormalisasi dengan membagi
total jumlah instance dari kelas c dengan
class_count[c].
Hasil
normalisasi
ini
dinotasikan sebagai interval_class_vote[f, i,
c].
Selanjutnya
nilai-nilai
interval_class_count[f, i, c] dinormalisasi
sehingga jumlah vote beberapa kelas pada tiap
3

fitur sama dengan 1. Tujuan normalisaso ini
adalah agar tiap fitur mempunyai kekuatan
voting yang sama pada proses klasifikasi dan
tidak dipengaruhi oleh ukuran fitur tersebut.
Proses pelatihan dalam algoritme VFI5 dapat
dilihat di bawah ini :
train(TrainingSet):
begin
for each feature f
for each class c
endPoints[f] = EndPoints[f] U
find_end_points(TrainingSet, f, c);
sort(EndPoints[f]);
if f is linear
for each end point p in EndPoints[f]
form a point interval from end point p
form a range interval between p and
the next end point ≠ p
else /* f is nominal */
each distinct point in EndPoints[f]
forms a point interval
for each interval i on feature dimension f
for each class c
interval_count[f, i, c] = 0
count_instances(f, TrainingSet);
for each interval i on feature dimension f
for each class c
interval_vote[f, i, c] =
interval_count[f, i, c] / class_count[c]
normalize interval_vote[f, i, c]; /* such
that ∑c interval_vote[f, i, c] = 1 */
end.
2. Klasifikasi
Proses ini dimulai dengan menginisialisasi
vote dari setiap kelas dengan nilai nol. Pada
tiap fitur f dicari interval i dimana nilai ef
jatuh, dimana ef merupakan nilai fitur f dari
instance uji e. Jika nilai ef tidak diketahui
(hilang), maka nilai ef tersebut akan diabaikan
dengan memberikan vote nol pada tiap kelas.
Jika ef diketahui maka interval i dapat
ditemukan. Interval dapat berisi instance
pelatihan beberapa kelas. Kelas dalam interval
direpresentasikan oleh vote pada interval
tersebut. Untuk setiap kelas c, fitur f
memberikan vote yang sama dengan
interval_class_vote[f, i, c]. Notasi ini dapat
direpresentasikan sebagai kelas c yang
diberikan vote fitur f.
Tiap fitur f mengumpulkan vote untuk
kelas c yang disimpan dalam feature_vote[f,
c], selanjutnya vote tersebut dinormalisasi
sehingga nilai vote dari fitur f sama dengan 1.

Setiap fitur f mengumpulkan vote yang
disimpan dalam sebuah vektor , dimana votef,c dengan c adalah vote
fitur f untuk kelas c dan k yang merupakan
jumlah kelas. Setelah sejumlah fitur vektor
vote dijumlahkan untuk mendapatkan total
vektor vote . Kelas dengan
vote tertinggi dari total vektor vote akan
menjadi kelas dari instance uji e. Klasifikasi
dalam algoritme VFI5 dapat dilihat di bawah
ini:
classify(e): /* e: example to be classified */
begin
for each class c
vote [c] = 0
for each feature f
for each class c
feature_vote[f, c] = /* vote of feature
f for class c */
if ef value is known
i = find_interval(f, ef)
for each class c
feature_vote[f, c] = interval_vote[f, i,
c]
vote[c] = vote[c] + feature_vote[f, c]
* weight[f];
return the class c with highest vote[c];
end.
Confusion Matrix
Confusion matrix merupakan sebuah tabel
yang terdiri atas banyaknya baris data uji yang
diprediksi benar dan tidak benar oleh model
klasifikasi. Tabel ini diperlukan untuk
menentukan kinerja suatu model klasifikasi
(Tan, Steinbach & Kumar 2005). Contoh
confusion matrix dapat dilihat pada Tabel 3.
Tabel 3 Confusion matrix untuk data dua kelas
Kelas Prediksi
Kelas 1
Kelas 2
Kelas
Kelas 1
a
b
Aktual
Kelas 2
c
d
Akurasi hasil klasifikasi dari confusion
matrix dihitung dengan rumus :
a+d
x 100%
Akurasi =
a+b+c+d
METODE PENELITIAN
Metodologi
yang
digunakan
pada
penelitian ini terdiri atas beberapa tahap.
4

Tahapan-tahapan tersebut dapat dilihat pada
Gambar 1.
Citra tulisan
tangan

Praproses

Data

Data latih

Data Uji

Citra data latih dan data uji huruf a dapat
dilihat pada Lampiran 2. Pada huruf t ada 90
data latih dan 60 data uji. Citra data latih dan
data uji huruf t dapat dilihat pada lampiran 3.
Citra tulisan tangan akan diklasifikasikan ke
dalam 3 kelas untuk huruf a dan 3 kelas untuk
huruf t. Definisi kelas tersebut dapat dilihat
pada Tabel 4 dan 5.
Huruf a dan huruf t dipotong dari kalimat
tersebut dengan ukuran 40 x 40 pixel. Agar
mempercepat kinerja sistem dilakukan proses
resizing pada citra sehingga ukurannya
menjadi 24 x 12 pixel.
Tabel 4 Kelas prediksi huruf a
Bentuk
huruf a

Kelas
Karakter
1

VFI

Pelatihan
2
Interval fitur
3
Klasifikasi

Akurasi

Gambar 1 Metodologi Penelitian.
Data Citra Tulisan Tangan
Data yang digunakan dalam penelitian ini
diperoleh dari 57 responden yang menuliskan
sebuah kalimat yang sudah ditentukan pada
selembar kertas. Kalimat yang ditulis oleh
responden dapat dilihat pada Lampiran 1.
Pada
tahap
awal
kalimat
tersebut
dikonsultasikan terlebih dahulu dengan
Grafologis dan Psikolog, hal ini dilakukan
untuk mendapatkan informasi data citra
tulisan tangan yang relevan untuk data
penelitian. Konsultasi tersebut dilakukan
dengan grafologis dan psikolog yaitu :
1. Fitri Kusuma Dewi, S.Hut
2. Mugi Rahayu, S.Psi
Dari hasil konsultasi, data tersebut
kemudian dibagi menjadi 2 dengan 27 data
responden untuk data citra huruf a dan 30 data
responden untuk data citra huruf t. Dari
kalimat yang sudah dituliskan hanya diambil
huruf a dan t sebanyak lima citra, tiga citra
untuk data latih dan 2 citra untuk data uji.
Jadi, ada 81 citra yang digunakan sebagai data
latih dan 54 citra untuk data uji pada huruf a.

Tabel 5 Kelas prediksi huruf t
Bentuk
Kelas
huruf t
Karakter
1
2

3

Praproses
Sebelum citra diklasifikasi menggunakan
algoritme VFI5, dilakukan praproses terlebih
dahulu. Pada tahap praproses ini citra tulisan
tangan yang merupakan citra RGB untuk
mempermudah perhitungan citra akan diubah
menjadi citra grayscale dan disederhanakan
lagi menjadi citra biner. Selain itu juga
dilakukan proses resizing citra dari ukuran
awal 40 x 40 pixel menjadi 24 x 12 pixel.
Setelah praproses tersebut seluruh data akan
direpresentasikan dalam bentuk matriks yang
merupakan input dalam VFI5.
Data Latih dan Data Uji
Matriks yang di dapat dari tahap praproses
dipisahkan menjadi data latih dan data uji
dengan perbandingan 3 : 2.
5

Algoritme VFI5
Tahap algoritme VFI5 ini akan dibagi
menjadi tiga tahap, yaitu tahap pelatihan,
tahap interval fitur dan tahap klasifikasi. Pada
tahap pelatihan yang menjadi input adalah
matriks yang didapat tahap praproses. Pada
tahap ini akan dihitung vote tiap fitur untuk
masing-masing kelas. Selanjutnya tiap nilai
vote akan dijumlahkan pada masing-masing
kelas. Jumlah nilai vote tersebut akan
dinormalisasi untuk mendapatkan nilai vote
masing-masing kelas pada tahap interval fitur.
Tahap klasifikasi dimulai dengan mencari
interval yang sesuai dengan nilai tiap fitur dari
data uji pada interval fitur data latih. Nilai
vote pada interval tersebut kemudian
dikumpulkan dan dijumlahkan untuk masingmasing kelasnya. Kelas yang memiliki total
nilai vote terbesar menjadi kelas prediksi bagi
data uji tersebut.
Analisis Hasil Klasifikasi
Analisis dilakukan menggunakan tabel
confusion matrix, kemudian dihitung besaran
akurasi yang berhasil dicapai, dan dapat
diambil suatu kesimpulan. Tingkat akurasi
diperoleh dengan rumus :
Σ data uji benar klasifikasi
��� � � =
x 100%
Σ data uji

Lingkungan Pengembangan
Perangkat lunak yang digunakan dalam
penelitian ini ialah sistem operasi Microsoft
Windows 7, Matlab 7.7 (R2008b). Perangkat
keras yang digunakan adalah Prosesor AMD
Turion™ , Memori 2 GB RAM DDR2,
Harddisk, dan Monitor 11.6”.
HASIL DAN PEMBAHASAN
Pada penelitian ini dilakukan dua
percobaan pada masing-masing huruf a dan
huruf t. Pada huruf a selain menggunakan data
latih yang asli juga dilakukan percobaan
pertukaran data uji menjadi data latih. Pada
huruf t dilakukan percobaan menggeser kolom
utama huruf sehingga berada pada kolom
yang sama dan percobaan tanpa menggeser
huruf.
Percobaan 1 Huruf a tanpa pertukaran
Percobaan yang pertama adalah percobaan
huruf a menggunakan data latih yang asli
tanpa pertukaran. Pada percobaan huruf a ada

81 data latih dan 54 data uji. Dari data
tersebut didapatkan hasil yang disajikan pada
Tabel 6.
Tabel 6 Hasil percobaan huruf a tanpa
pertukaran
Dikenali sebagai
Fakta
kelas
Akurasi
kelas
1
2
3
1
11
1
2
2
0
18
2
88.89%
3
1
0
19
Pada Tabel 3 terlihat bahwa 6 data uji
salah diklasifikasi yaitu kelas 1 dikenali
sebagai kelas 2 sebanyak 1 dengan selisih vote
2.362 dan dikenali sebagai kelas 3 sebanyak 2
dengan masing-masing selisih vote 0.396 dan
0.378, kelas 2 dikenali sebagai kelas 3
sebanyak 2 dengan masing-masing selisih vote
2.501 dan 2.270, dan kelas 3 dikenali sebagai
kelas 1 dengan selisih vote 3.302, sehingga
akurasinya adalah 88.89%. Jumlah vote dapat
dilihat pada Tabel 7.
Tabel 7 Jumlah vote data uji percobaan 1 yang
salah klasisifikasi
Data
uji
ke5
6
14
19
31
41

Jumlah vote kelas
1

2

3

33,8
33,3
34,8
32,6
32,7
34,4

32,3
32,7
35,7
33,3
33,2
32,3

33,9
34,0
29,5
34,1
34,0
33,3

Kelas
Pre
Ak
diksi tual
3
1
3
1
2
1
3
2
3
2
1
3

Pada percobaan huruf a ini, VFI5 dapat
mengklasifikasi citra dengan baik. Hal
tersebut terlihat pada Tabel 6 data uji yang
diklasifikasikan dengan benar sebanyak 11
dari 14 data uji pada kelas 1, 18 dari 20 data
uji pada kelas 2, dan 19 dari 20 data uji pada
kelas 3. Dari ketiga kelas tersebut kelas 3
merupakan kelas yang paling mudah dikenali.
Pada Tabel 8 terlihat beberapa contoh
kelas a yang salah klasifikasi. Kesalahan
klasifikasi pada data uji kelas 2 yang dikenali
sebagai kelas 3 disebabkan oleh bentuk citra
uji tersebut mirip dengan bentuk citra uji kelas
3. Bentuk citra uji seharusnya terbuka di
bagian atas tapi bentuk citra tersebut terlihat
sedikit tertutup di bagian atas. Kesalahan
klasifikasi pada kelas 1 yang dikenali sebagai
kelas 2 sebenarnya selisih vote–nya hanya
berbeda sedikit yaitu masing-masing sebesar
0.396 dan 0.378. Bentuk citra uji kelas 1 yang
hampir menyentuh perut huruf a seolah-olah
huruf a tersebut tertututup.
6

Tabel 8 Daftar kesalahan huruf a tanpa
pertukaran data
Data uji

Kelas
prediksi
Kelas 3

Kelas
sebenarnya
Kelas 1

Kelas 3

Kelas 1

Kelas 2

Kelas 1

Kelas 3

Kelas 2

Kelas 3

Kelas 2

Kelas 1

Kelas 3

Percobaan 2 Huruf a dengan pertukaran
data
Percobaan ini masih menggunakan data
latih dan data uji yang sama dengan percobaan
sebelumnya tetapi pada percobaan kedua ini
data latih pada percobaan sebelumnya akan
ditukar menjadi data uji dan sebaliknya. Data
latih sebelumnya berjumlah 21 untuk kelas 1,
30 untuk kelas 2, dan 30 untuk kelas 3. Setiap
data latih diambil secara acak dari masingmasing kelas sebesar 7 dari kelas 1, 10 dari
kelas 2 dan 10 dari kelas 3. Data latih yang
sudah diambil secara acak tersebut
ditambahkan dengan data uji sebelumnya pada
masing-masing kelas dan data uji akan
menjadi data latih yang baru. Hasil dari
percobaan ini dapat dilihat pada Tabel 9.
Dilihat dari Tabel 9 data uji yang benar
diklasifikasi pada kelas 1 sebanyak 10 dari 14
data uji dan kelas 2 sebanyak 11 dari 20 data
uji, jumlah ini lebih kecil dibandingkan
dengan percobaan pertama. Pada kelas 1 dan 2
pertukaran data menurunkan hasil klasifikasi.
Pada kelas 3 data uji yang benar diklasifikasi
sebanyak 20 dari 20 data uji, jumlah ini lebih
besar dibandingkan dengan percobaan
sebelumnya.

Tabel 9 Hasil percobaan huruf a dengan
pertukaran data
Fakta
Dikenali sebagai
kelas
kelas
Akurasi
1
2
3
1
10
0
4
2
1
11
8
75.93%
3
0
0
20
Pada Tabel 5 terlihat bahwa 13 data uji
salah diklasifikasi yaitu kelas 1 dikenali
sebagai kelas 3 sebanyak 4 dengan masingmasing selisih vote 0.510, 2.981, 1.095, dan
2.275, kelas 2 dikenali sebagai kelas 1
sebanyak 1 dengan selisih vote 1.438, kelas 2
dikenali sebagai kelas 3 sebanyak 8 dengan
masing-masing selisih nilai vote 1.816, 0.209,
5.320, 1.453, 1.517, 0.664, 2.566, dan 0.218,
sehingga didapat akurasi sebesar 75.93%.
Jumlah vote yang salah klasifikasi dapat
dilihat pada Tabel 10.
Tabel 10 Jumlah vote data uji percobaan 2
yang salah klasifikasi
Kelas
Data Jumlah vote kelas
uji
Pre
Ak
1
2
3
kediksi tual
1
33,5 32,8 33,7
3
1
5
33,2 32,6 34,2
3
1
6
33,4 32,7 33,8
3
1
7
33,6 32,1 34,4
3
1
19
32,4 33,5 34,1
3
2
20
32,7 33,6 33,7
3
2
21
32,6 32,8 34,6
3
2
22
33,1 33,2 33,7
3
2
23
32,6 33,4 34,0
3
2
26
33,0 33,4 33,6
3
2
27
32,1 33,5 34,4
3
2
28
34,6 34,1 31,3
1
2
31
32,6 33,7 33,8
3
2
Pada pertukaran data ini belum dapat
meningkatkan akurasi. Akurasi yang didapat
dari percobaan kedua ini sebesar 75.93%. Hal
ini menunjukkan bahwa data latih percobaan
pertama lebih baik dibandingkan akurasi pada
percobaan kedua. Beberapa contoh huruf a
yang salah diklasifikasi dapat dilihat pada
Tabel 11.
Tabel 11 Daftar huruf a dengan pertukaran
data yang salah diklasifikasi.
Kelas
Data uji
Kelas prediksi
sebenarnya
Kelas 3
Kelas 1
Kelas 3

Kelas 1

7

Data uji

Kelas
prediksi
Kelas 1

Kelas
sebenarnya
Kelas 2

Kelas 3

Kelas 2

Percobaan 3 Huruf t tanpa pergeseran
Pada percobaan ini data huruf t yang
digunakan merupakan data latih asli.
Percobaan ini memiliki 90 data latih yang
berjumlah 30 untuk masing-masing kelas dan
60 data uji dengan jumlah 20 untuk masingmasing kelas. Hasil klasifikasi dari percobaan
ini dapat dilihat pada Tabel 12.
Tabel 12 Hasil percobaan huruf t
Fakta
kelas

Dikenali sebagai
kelas
Akurasi
1
2
3
1
8
4
8
2
10
7
3
40.00%
3
8
3
9
Pada Tabel 12 terlihat bahwa 36 data uji
salah klasifikasi. Data uji yang salah
klasifikasi paling banyak dikenali sebagai
kelas 1, dapat dilihat pada tabel 5 ada 10 data
uji kelas 2 yang dikenali sebagai kelas 1 dan 8
data uji kelas 3 yang dikenali sebagai kelas 1.
Hal tersebut dikarenakan pada analisis huruf t
hanya dibedakan berdasarkan ruji huruf t.
Pada Tabel 14 dapat dilihat beberapa contoh
huruf t yang salah klasifikasi. Citra pada tabel
tersebut memiliki posisi ruji t yang tidak jauh
berbeda antara kelas 1, kelas 2, dan kelas 3.
Hal tersebut menyebabkan banyaknya huruf t
yang salah klasifikasi. Beberapa contoh
jumlah vote data yang salah klasifikasi dapat
dilihat pada Tabel 13. Seluruh jumlah vote
data yang salah klasifikasi pada percobaan 3
dapat dilihat pada Lampiran 4.
Tabel 13 Beberapa contoh jumlah vote data
uji percobaan 3 yang salah klasifikasi
Kelas
Data Jumlah vote kelas
uji
Pre
Ak
1
2
3
kediksi tual
1
33,1 33,4 33,6
3
1
3
33,0 33,8 33,1
2
1
21
33,9 33,0 33,1
1
2
22
33,3 33,2 33,5
3
2
41
33,1 34,0 33,0
2
3
42
34,0 32,9 33,1
1
3
Pada Tabel 12 dapat dilihat bahwa data uji
yang benar diklasifikasi pada kelas 1

sebanyak 8 dari 20 data uji, kelas 2 sebanyak
7 dari 20 data uji, dan kelas 3 sebanyak 9 dari
20 data uji. Dari ketiga kelas tersebut, kelas 3
lebih mudah dikenali dibandingkan kelas
tersebut.
Tabel 14 Daftar huruf t tanpa pergeseran
yang salah klasifikasi.
Kelas
Data uji
Kelas prediksi
sebenarnya
Kelas 3
Kelas 1

Kelas 2

Kelas 1

Kelas 1

Kelas 2

Kelas 3

Kelas 2

Kelas 2

Kelas 3

Kelas 1

Kelas 3

Percobaan 4 Huruf t dengan pergeseran
Pada percobaan ini huruf t yang akan
digunakan sebagai data latih dilakukan
pergeseran terlebih dahulu. Pergeseran ini
dilakukan agar kolom utama huruf t berada
pada kolom yang sama. Hasil percobaan ini
disajikan pada Tabel 15.
Tabel 15 Hasil percobaan huruf t setelah
digeser.
Fakta
Dikenali sebagai
kelas
kelas
Akurasi
1
2
3
1
16
2
2
2
11
5
4
41.67%
3
10
6
4
Pada Tabel 15 terlihat bahwa 35 data uji
salah klasifikasi, jumlah ini tidak berbeda jauh
dengan percobaan t sebelumnya. Pada
percobaan ini data uji yang benar dikasifikasi
paling banyak adalah data uji kelas 1 yang
dikenali sebanyak 16 berbeda dengan
percobaan sebelumnya yang hanya dapat
mengenali 10 data uji. Data latih yang sudah
digeser untuk kelas 1 dapat mengenali data
yang diklasifikasi dengan benar lebih baik
dibandingkan percobaan sebelumnya. Pada
data uji kelas 2 dan kelas 3 yang diklasifikasi
8

dengan benar lebih sedikit dibandingkan
percobaan sebelumnya. Jadi, pada kelas 2 dan
kelas 3 pergeseran t tidak banyak berpengaruh
dan jumlah data yang diklasifikasi dengan
benar lebih sedikit dibandingkan dengan
percobaan sebelumnya. Beberapa contoh
jumlah vote data yang salah klasifikasi pada
percobaan 4 dapat dilihat pada Tabel 16.
Seluruh jumlah vote data yang salah
klasifikasi pada percobaan 4 dapat dilihat
pada Lampiran 5.
Tabel 16 Jumlah vote data uji percobaan 4
yang salah klasifikasi
Kelas
Data Jumlah vote kelas
uji
Pre
Ak
1
2
3
kediksi tual
1
33,4 33,8 32,7
2
1
3
32,6 33,1 34,3
3
1
21
33,1 33,2 33,7
3
2
26
34,0 32,7 33,3
1
2
42
32,8 34,0 33,2
2
3
44
31,9 34,5 33,7
1
3
Pada Tabel 15 juga terlihat bahwa data uji
yang dikenali sebagai kelas 1 lebih banyak,
baik untuk kelas yang diklasifikasi dengan
benar ataupun kelas yang salah diklasifikasi.
Kelas yang salah diklasifikasi sebagai kelas 1
sebanyak 11 dari 20 data uji pada kelas 2 dan
10 dari 20 data uji pada kelas 3. Hasil ini sama
dengan percobaan sebelumnya. Contoh data
uji yang salah diklasifikasi dapat dilihat pada
Tabel 17. Selain posisi ruji t, kemiringan
huruf t itu sendiri dan tebal tipisnya tulisan
juga berpengaruh dalam klasifikasi.
Tabel 17 Contoh huruf t dengan pergeseran
yang salah diklasifikasi.
Data uji

Kelas
prediksi
Kelas 2

Kelas
sebenarnya
Kelas 1

Kelas 3

Kelas 1

Kelas 3

Kelas 2

Kelas 1

Kelas 2

Percobaan dengan menggeser huruf t ini
belum cukup meningkatkan akurasi agar lebih
baik dari percobaan sebelumnya. Kemiringan
huruf yang berbeda dapat menyebabkan huruf
salah diklasifikasi baik klasifikasi pada huruf
a maupun huruf t. Selain itu, ukuran dan
bentuk huruf yang hampir sama antar kelas
juga dapat menyebabkan citra salah
diklasifikasi oleh sistem. Alat tulis juga
berpengaruh dalam klasifikasi ini jika alat
tulis yang dipakai memiliki ketebalan yang
baik maka citra huruf akan semakin mudah
dikenali.
KESIMPULAN DAN SARAN
Kesimpulan
Pada penelitian kali ini dapat disimpulkan
bahwa algoritme VFI5 merupakan algoritme
klasifikasi yang cukup baik dalam pengenalan
pola huruf a. Akurasi yang didapat pada
percobaan huruf a tanpa pertukaran sebesar
88.89%, percobaan huruf a dengan pertukaran
sebesar 75.93%, percobaan huruf t tanpa
pergeseran sebesar 40% dan percobaan huruf t
dengan pergeseran sebesar 41.67% pada
percobaan huruf t. Akurasi tertinggi pada
percoban huruf a sebesar 88.89% sedangkan
percobaan huruf t sebesar 41.67%. Dari
akurasi tersebut dapat disimpulkan bahwa
huruf a lebih mudah dikenali dibandingkan
dengan huruf t.
Adanya pertukaran data latih menjadi data
uji pada huruf a belum dapat meningkatkan
akurasi percobaan sedangkan pergeseran
kolom pada percobaan huruf t dapat
meningkatkan sedikit akurasi pada penelitian
ini.
Saran
Penelitian lebih lanjut dapat dilakukan
yaitu dengan menambahkan proses ekstraksi
ciri yang relevan terutama untuk huruf t. Pada
proses resizing sebaiknya ukuran panjang dan
lebar citra simetris agar didapatkan hasil yang
lebih baik.
DAFTAR PUSTAKA

Kelas 2

Kelas 3

Kelas 1

Kelas 3

Amend KK, Ruiz MS. 1980. Handwriting
Analysis, The Complete Basic Book. USA:
Book Mart Press.
Champa HN, Kumar AKR. 2010. Artificial
Neural Network for Human Behavior
Prediction through Handwriting Analysis.
International Journal of Computer
Applications (0975-8887). Vol.9-No.2,
9

Mei 2010. India: SJB Institute of
Technology.
Galbraith D, Wilson W. 1964. Reliability of
the
Graphoanalytic
Approach
to
Handwriting Analysis. Perceptual and
Motor Skills, 19: 615-618.
Gonzales RC, Woods RE. 2002. Digital
Image Processing. Massachussets :
Addison Wasley.
Güvenir HA, Demiroz G, & Ilter N. 1998.
Learning
differential
diagnosis
of
erythemato-squamous diseases using
voting
feature
intervals.
Artificial
Intelligence in Medicine 13:147-165.
Han J, Kamber M. 2006. Data Mining
Concepts and Techniques. Ed ke-2. San
Fransisco: Elsevier Inc.
Rossete, Mita. Menganalisis Karakter dan
Potensi
Melalui
Tulisan
Tangan.
Jakarta:Tangga Pustaka.2010.
Sheikholeslami G, Srihari SN & Govindaraju
V. Computer Aided Graphology. USA:
University of New York.
Tan PN, Steinbach M, & Kumar V. 2005.
Introduction to Data Mining. Boston:
Pearson Education, Inc.

10

LAMPIRAN

11

Lampiran 1 Kalimat yang dituliskan responden

12

Lampiran 2 Citra data latih dan data uji huruf a
Huruf a orang ke
Orang ke 1

Data latih

Data uji

Orang ke 2
Orang ke 3
Orang ke 4
Orang ke 5
Orang ke 6
Orang ke 7
Orang ke 8
Orang ke 9
Orang ke 10
Orang ke 11
Orang ke 12
Orang ke 13
Orang ke 14
Orang ke 15
Orang ke 16
Orang ke 17
Orang ke 18
Orang ke 19
Orang ke 20
13

Lanjutan Lampiran 2 Citra Data Latih dan Data Uji Huruf a
Huruf a orang ke
Orang ke 21

Data latih

Data uji

Orang ke 22
Orang ke 23
Orang ke 24
Orang ke 25
Orag ke 26
Orang ke 27

14

Lampiran 3 Citra data latih dan data uji huruf t
Huruf t orang ke
Orang ke 1

Data latih

Data uji

Orang ke 2
Orang ke 3
Orang ke 4
Orang ke 5
Orang ke 6
Orang ke 7
Orang ke 8
Orang ke 9
Orang ke 10
Orang ke 11
Orang ke 12
Orang ke 13
Orang ke 14
Orang ke 15
Orang ke 16
Orang ke 17
Orang ke 18
Orang ke 19
Orang ke 20
15

Lanjutan Lampiran 3 Citra Data Latih dan Data Uji Huruf t
Huruf t orang ke
Orang ke 21

Data latih

Data uji

Orang ke 22
Orang ke 23
Orang ke 24
Orang ke 25
Orang ke 26
Orang ke 27
Orang ke 28
Orang ke 29
Orang ke 30

16

Lampiran 4 Jumlah Vote Data yang Salah Klasifikasi pada Percobaan 3
Data
uji ke1
2
3
4
5
8
9
10
12
14
18
20
21
22
23
24
27
28
29
31
34
35
36
37
38
41
42
43
44
45
47
49
51
53
55
56

Kelas 1
33,06
33,65
33,03
32,69
33,44
33,21
32,43
33,19
33,39
33,22
33,31
33,31
33,89
33,34
33,89
33,34
34,01
33,63
33,00
33,37
32,71
33,57
33,77
33,72
32,93
33,06
33,95
32,65
33,93
34,14
33,57
33,46
33,54
33,49
33,89
33,82

Jumlah vote
Kelas 2 Kelas 3
33,40
33,55
33,67
32,68
33,83
33,14
32,96
34,35
33,60
32,96
33,05
33,74
33,37
34,20
33,87
32,94
33,13
33,48
33,33
33,45
33,22
33,47
33,27
33,42
33,04
33,07
33,19
33,47
33,04
33,07
33,19
33,47
33,45
32,54
33,61
32,76
33,44
33,56
33,36
33,27
33,64
33,65
33,24
33,19
33,61
32,62
33,48
32,80
33,25
33,82
33,96
32,98
32,92
33,13
33,97
33,38
32,81
33,26
33,16
32,70
33,22
33,21
33,27
33,27
33,17
33,28
33,68
32,83
32,91
33,20
33,45
32,73

Kelas
Prediksi Aktual
3
1
2
1
2
1
3
1
3
1
3
1
3
1
2
1
3
1
3
1
3
1
3
1
1
2
3
2
1
2
3
2
1
2
3
2
3
2
1
2
3
2
1
2
1
2
1
2
3
2
2
3
1
3
2
3
1
3
1
3
1
3
1
3
1
3
2
3
1
3
1
3

17

Lampiran 5 Jumlah Vote Data yang Salah Klasifikasi pada Percobaan 4
Data
uji ke1
3
15
20
21
23
26
27
29
30
31
32
33
34
36
37
38
39
40
42
44
45
46
47
48
49
51
52
53
54
55
57
58
59
60

Kelas 1
33,42
32,60
33,39
33,70
33,13
33,06
34,00
33,98
34,00
34,03
33,77
34,26
34,21
34,21
32,89
33,89
33,50
33,65
34,42
32,81
31,88
33,22
34,00
33,98
32,95
34,00
33,77
34,26
34,21
34,21
33,28
33,89
33,22
33,65
34,42

Jumlah vote
Kelas 2 Kelas 3
33,84
32,73
33,11
34,29
33,42
33,19
32,46
33,84
33,21
33,65
33,16
33,77
32,70
33,30
32,63
33,40
32,17
33,84
31,89
34,08
32,92
33,31
32,60
33,15
32,85
32,94
32,85
32,94
33,26
33,85
32,60
33,51
33,36
33,14
33,15
33,20
32,10
33,48
34,03
33,16
34,46
33,66
33,47
33,31
32,70
33,30
32,63
33,40
34,19
32,86
32,17
33,84
32,92
33,31
32,60
33,15
32,85
32,94
32,85
32,94
33,54
33,17
32,60
33,51
33,55
33,23
33,15
33,20
32,10
33,48

Kelas
Prediksi Aktual
2
1
3
1
2
1
3
1
3
2
3
2
1
2
1
2
1
2
3
2
1
2
1
2
1
2
1
2
3
2
1
2
1
2
1
2
1
2
2
3
2
3
2
3
1
3
1
3
2
3
1
3
2
3
1
3
1
3
1
3
2
3
1
3
2
3
1
3
1
3

18

PENDAHULUAN

Latar Belakang
Pengenalan karakter dan potensi diri
melalui tulisan tangan merupakan penelitian
yang cukup penting. Ini disebabkan
banyaknya tes psikologi yang ditawarkan dan
disediakan untuk membantu mengenali
potensi diri, tetapi tidak banyak yang
menawarkan tes yang sederhana, dapat
dilakukan di mana saja, waktu pengerjaan
cepat, hasil instan tanpa harus bertatap muka,
dan yang paling penting keakuratannya lebih
dari 80%. Hanya grafologi yang menawarkan
ini dan analisis tulisan tangan pun dapat
menguak potensi dasar yang belum tergali
secara optimal dan mencari tahu mengapa hal
itu bisa terjadi (Rosette 2010).
Grafologi adalah ilmu yang mempelajari,
mengidentifikasi, menganalisis, mengevaluasi
dan mengetahui kepribadian sesorang melalui
pola tulisan tangannya. Tulisan tangan
mengungkapkan kepribadian sejati termasuk
emosi, ketakutan, kejujuran, pertahanan dan
banyak hal lainnya (Champa & Kumar 2010).
Bentuk tulisan tangan seperti sidik jari dan
DNA yang merupakan sesuatu yang unik dan
berbeda di setiap orang. Tahun 1875, Jean
Hyppolyte Michon memperkenalkan teori
pengenalan karakter seseorang melalui tulisan
ini yang dikenal dengan sebutan grafologi.
Sejak tahun 1985 grafologi digunakan dalam
ilmu kesehatan, pendidikan dan jurnalistik.
Bentuk tulisan tangan merupakan alat ukur
yang tidak dapat berbohong karena berasal
dari alam bawah sadar. Kecuali, proses syarafsyaraf pusat dalam sistem tubuh dan pikiran
bawah sadar dapat dikontrol. Bila seseorang
berusaha untuk mengubah tulisan tangannya,
hal tersebut dapat diidentifikasikan sebagai
ketidakjujuran. Apabila seseorang mengubah
bentuk tulisan secara permanen, format cara
berpikir pun harus diubah. Jadi, yang
dianalisis adalah bentuk, bukan isi tulisan
karena isi tulisan cenderung dapat direkayasa.
Grafologis dapat mempunyai penilaian
yang subjektif dalam menganalisis tulisan
tangan. Grafologis yang berbeda dapat
menganalisis tulisan tangan yang sama tetapi
memberikan hasil yang berbeda (Galbraith &
Guest 1994 yang diacu dalam Sheilkholeslami
et al). Keakuratan dari hasil analisis tulisan
tangan
bergantung
pada
kemampuan
grafologis itu sendiri (Champa & Kumar
2010). Oleh karena itu, dibutuhkan suatu
pemanfaatan teknologi komputer yang dapat

menerapkan ilmu grafologi untuk membantu
grafologis dalam menganalisis tulisan tangan.
Penelitian ini mencoba mengembangkan
metode analisis Grafologi dengan menguji
data tulisan tangan. Algoritme VFI5
digunakan pada penelitian ini, karena selain
merupakan algoritme klasifikasi algoritme ini
juga cukup kokoh terhadap fitur yang tidak
relevan tetapi memberikan hasil yang baik.
Pada data analisis tulisan tangan fitur yang
tidak relevan kemungkinan