Pengenalan Pola Garis Dasar Kalimat Pada Tulisan Tangan Dengan Menggunakan Algoritma Backpropagation

PENGENALAN POLA GARIS DASAR KALIMAT
PADA TULISAN TANGAN DENGAN MENGGUNAKAN
ALGORITMA BACKPROPAGATION

SKRIPSI

Diajukan untuk Menempuh Ujian Akhir Sarjana

RASYIDA NURLAILANI
10110772

PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK DAN ILMU KOMPUTER
UNIVERSITAS KOMPUTER INDONESIA
2016

KATA PENGANTAR

Segala puji dan syukur sedalam-dalamnya ke hadirat ALLAH SWT, yang telah
memberikan karunia dan hidayah-Nya sehingga penulis dapat menyelesaikan
Tugas Akhir yang mengambil tema :“PENGENALAN POLA GARIS DASAR

TULISAN

TANGGAN

MENGGUNAKAN

ALGORITMA

BACKPROPAGATION ”. ini disusun untuk memperoleh gelar Strata 1 (S1)
Fakultas Teknik, Jurusan Informatika di Universitas Komputer Indonesia
(UNIKOM) Bandung.
Dalam menyelesaikan laporan Tugas Akhir ini, penulis banyak sekali mendapat
bantuan serta dorongan dari berbagai pihak, baik moril maupun materil.Oleh karna
itu perkenankan penulis menyampaikan terima kasih dan penghargaan sebesarbesarnya kepada :
1. Allah SWT yang telah memberikan kelancaran dalam penyusunan laporan
Tugas Akhir ini.
2. Kepada Ayahnda Ir. Norlan, M.Tech.Mgt dan Ibunda Reni Nurhayati yang
saya hormati dan saya cintai yang telah dengan sabar memberikan dukungan
dan motivasi kepada penulis, dan tidak lupa kepada dua adik saya Hanisa
Nur’Aini dan Ikhsan Taufik Nurrahman yang saya sayangi yang telah

banyak membantu dan memberikan saya motivasi untuk menyelesaikan
tugas akhir ini.
3. Ibu Sufaatin, S.T. M.Kom selaku dosen pembimbing yang telah
menyediakan waktunya dan memberikan banyak masukan kepada penulis.
4. Ibu Kania Evita Dewi, S.Pd, M.Si., sebagai Reviewer dan selaku Dosen
Wali.
5. Bapak Syibly Avivy A. Mulachela, M.Psi.,CMHA selaku narasumber yang
sudah banyak membantu penulis dalam proses pembuatan skripsi

iii

6. Wahyu Pratomo, S.T, M.T selaku teman, kaka dan pembimbig luar, yang
selalu memberikan masukan, bimbingan dan motivasi selama penulis
menyusun laporan ini.
7. Buat sahabat ku selama ini Mahdi Ramadhan dan Genia Pascamala yang
selalu memberi motivasi dan semangat.
8. Keluarga besar PHP Indonesia regol Bandung dan Keluarga besar KPGB
atas waktunya untuk meminjamkan tempat nya selama mengerjakan
penyusunan laporan.
9. Kepada teman seperjuangan Swayji Giandika, Doni Sutawijaya, Arienten

Dwi Hidayat, Hadi Hartadi dan Tommy Saputra.
10. Kepada teman – teman keluarga besar IF 13 Bergoyang 2010.
11. Dan juga kepada seluruh pihak-pihak yang tidak bisa penulis sebutkan satu
persatu.

Penulis berharap semoga tulisan ini dapat bermanfaat bagi semua pihak dan
semoga hasil penelitian ini dapat dilanjutkan sehingga didapatkan hasil yang lebih
baik dari yang telah penulis susun.

Bandung, Febuari 2016

Penulis

iv

DAFTAR ISI

ABSTRAK ............................................................................................................ i
ABSTRACT .......................................................................................................... ii
KATA PENGANTAR .......................................................................................... iii

DAFTAR ISI ......................................................................................................... v
DAFTAR GAMBAR ............................................................................................ ix
DAFTAR TABEL ................................................................................................. xi
DAFTAR SIMBOL............................................................................................... xii
DAFTAR PUSTAKA ........................................................................................... xv
DAFTAR LAMPIRAN .................................................................................... xiv
BAB 1 PENDAHULUAN ............................................................................... 1
1.1 Latar Belakang Masalah ............................................................................. 1
1.2 Rumusan Masala ........................................................................................ 2
1.3 Maksud dan Tujuan .................................................................................... 2
1.4 Batasan Masalah......................................................................................... 3
1.5 Metodologi Penelitian ................................................................................ 3
1.5.1 Metode Pengumpulan Data ..................................................................... 3
1.5.2 Metode Pembangunan Perangkat Lunak ................................................. 4
1.6 Sistematika Penulisan ................................................................................ 6
BAB 2 LANDASAN TEORI .......................................................................... 9
2.1. Definisis Kepribadian dan Deteksi Kepribadian ....................................... 9
2.2. Pengertian Tulisan Tangan ........................................................................ 10
2.2.1.Pengenalan Tulisan Tangan .................................................................... 10
2.2.2. Ilmu Tentang Tulisan Tangan ................................................................ 10

v

2.2.3. Penentuan Analisis Tulisan Tangan ....................................................... 11
2.3. Jaringan Syaraf Tiruan (JST)..................................................................... 14
2.3.1. Jaringan Syaraf Tiruan............................................................................ 14
2.3.2. Arsitektur JST ......................................................................................... 16
2.3.3. Proses Pembelajaran JST ........................................................................ 18
2.3.4. Pembelajaran Terawasi ........................................................................... 19
2.3.4.1. Algoritma Neguyen Widrow dan Backpropagation ............................ 20
2.4. Pengolahan Citra Digital ........................................................................... 28
2.4.1. Citra ........................................................................................................ 28
2.4.2. Citra Digital ............................................................................................ 28
2.4.3. Cropping ................................................................................................. 29
2.4.4. Resize Citra ............................................................................................ 30
2.4.5. Grayscale ................................................................................................ 30
2.4.6. Thresholding ........................................................................................... 30
2.4.7. Citra Biner .............................................................................................. 31
2.4.8. Konversi Citra Grayscale ke Citra Biner ................................................ 31
2.4.9. Cropping ................................................................................................. 33

2.5. Grafologi .................................................................................................... 34
2.5.1. Manfaat Mempelajari Grafologi ............................................................. 34
2.5.2. Keterbatasan Grafologi Dasar ................................................................ 35
2.6. Alat – alat Pemodelan Sistem .................................................................... 36
2.6.1. Flowchart ................................................................................................ 36
2.6.2. Diagram Konteks .................................................................................... 36
2.6.3. DFD (Data Flow Diagram) ..................................................................... 36
2.7. Pengujian ................................................................................................... 37
2.7.1. Black Box ............................................................................................... 37
2.7.2. Pengujian Akurasi .................................................................................. 38
2.8. Matlab ........................................................................................................ 38
BAB 3 ANALISIS DAN PERANCANGAN .................................................. 41
3.1.Analisis Sistem .......................................................................................... 41
3.1.1. Analisis Masalah ................................................................................... 41

vi

3.1.2. Analisis Aplikasi ................................................................................... 41
3.2. Analisis Penyelesaian Masalah ................................................................ 42
3.2.1. Analisis Data Masukan ......................................................................... 42

3.2.2. Analisis Proses ...................................................................................... 46
3.2.3.Input Citra Proses ................................................................................... 47
3.2.4. Image Processing .................................................................................. 48
3.2.5. Cropping ................................................................................................ 49
3.2.6. Normalisasi ........................................................................................... 50
3.2.7. Grayscale ............................................................................................... 51
3.2.8. Thresholding ......................................................................................... 55
3.3. Analisis Metode ....................................................................................... 58
3.3.1. Backpropagation ................................................................................... 59
3.4. Analisis Kebutuhan Non Fungsional ....................................................... 119
3.4.1. Analisis Kebutuhan Perangkat Keras .................................................... 119
3.4.2. Anlaisis Kebutuhan Perangkat Luak ..................................................... 119
3.4.3. Analisis Pengguna ................................................................................. 119
3.5. Analisis Kebutuhan Fungsional ............................................................... 120
3.5.1. Diagram Konteks Data Flow ................................................................. 120
3.5.2. Diagram Level 1Pengenlan Karakter Tulisan Tangan .......................... 120
3.5.3. Spesifikasi Proses .................................................................................. 121
3.6. Perancangan Sistem ................................................................................. 123
3.6.1. Perancangan Struktur Menu .................................................................. 123
3.6.2. Perancangan Antar Muka ....................................................................... 123

3.6.3. Perancangan Antar Muka Pesan ........................................................... 124
3.6.4. Jaringan Semantik ................................................................................. 125
BAB 4 IMPLEMENTASI DAN PERANCANGAN SISTEM ........................ 127
4.1.Implementasi .............................................................................................. 127
4.1.1.Implementasi Perangkat Keras ................................................................ 127
4.1.2.Implementasi Perangkat Lunak ............................................................... 128
4.1.3.Implemtasi Antar Muka .......................................................................... 128

vii

4.2.Pengujian Sistem .......................................................................................... 131
4.2.1.Pengujian Black Box ................................................................................. 131
4.2.2.Skenario Pengujian Black Box .................................................................. 131
4.2.3.Hasil Pengujian Black Box ........................................................................ 132
4.2.4.Pengujian Akurasi ..................................................................................... 133
4.2.5.Hasil Pengujian Akurasi ............................................................................ 134
BAB 5 KESIMPULAN DAN SARAN .............................................................. 137
5.1 Kesimpulan ................................................................................................... 137
5.2 Saran ............................................................................................................. 137
DAFTAR PUSTAKA ........................................................................................... xv

viii

DAFTAR PUSTAKA
[1] https://www.karohs.com/books/GraphologyBooks,Handwriting Analsysis.
[2]

Hermawan, Arief. Jaringan saraf tiruan, Teori dan Aplikasi. Yogyakarta :
Andi.2006

[3]

Achmad Hidayanto, R.Rizal Isnanto , Identifikasi Tanda Tangan
Menggunakan Jaringan Saraf Tiruan Perambatan Balik (Backpropagation).

[4]

Anifuddin Aziz, Muhamad Haikal, Face Detection Using Backpropagation
Neural Network,Universitas Gadjah Mada., Yogyakarta

[5]

Sayful Hakam, Adiwijaya , Andrian Rakhmatsyah, Pengenalan Pola Sidik
Jari

berbasis

Transformasi

Wavelet

dan

Jaringan

Syaraf

Tiruan

Backpropagation., Teknik Informatika. Universitas Telkom.

[6]

tutorialspoint.com, Software Devlopment Life Cycle, tutorialspoint.com

[7]

Ludvianto, Bayu. Analisis Tulisan Tangan. Gramedia, Jakarta. 2011

[8]

M. H. Purnomo dan A. Kurniawan, Supervised Neural Networks dan
Aplikasinya, Yogyakarta: Graha Ilmu, 2006

[9]

Hermawan, Arief. 2006. Jaringan Saraf Tiruan Teori dan Aplikasi.
Yogyakarta: Andi.

[10] Puspitaningrum,

Diyah.

2006.

Pengantar

Jaringan

Saraf

Tiruan.

Yogyakarta: Andi.
[11] S. Kusumadewi, Artificial Intelligence (Teknik dan Aplikasinya), Yogyakarta:
Graha Ilmu, 2003
[12] Siang, Jong Jek. 2009 Jaringan Saraf Tiruan & Pemrogramannya
Menggunakan Matlab. Yogyakarta: Andi.
[13] F. L, Fundamentals of Neural Network: Architectures, Algorithms, and
Applications, New Jersey: Prentice-Hall, 2002

[14] http://informatika.stei.itb.ac.id/~rinaldi.munir/Buku/Pengolahan%20Citra
Digital/ diakses 1 Maret 2015

xv

BIODATA PENULIS

1.

DATA PRIBADI

Nama

: Rasyida Nurlailani

Jenis Kelamin

: Perempuan

Tempat /Tanggal Lahir

: Bandung / 26 Juli 1991

Agama

: Islam

Status Pernikahan

: Belum Menikah

Alamat Rumah

:Jl. Inhoftank No 17, RT/RW 03/06, Kelurahan
Pelindung Hewan, Kecamatan Astanaanyar

Alamat Email

2.

: rasyida_nurlailani@yahoo.com

RIWAYAT PENDIDIKAN

Pendidikan Formal
Sekolah Dasar 1997 – 2003

: SD Negeri 07 Ulak Karang Selatang , PADANG

SMP

: SMP Negeri 13 Padang

SMA

: SMK MedikaCom

Perguruan Tinggi 2010 - 2016 : S1 Jurusan Teknik Informatika Fakultas Teknik
dan

Ilmu

Komputer

Universitas

Komputer

Indonesia

Demikian riwayat hidup ini saya buat dengan sebenar-benarnya dalam keadaan
sadar dan tanpa paksaan.
Bandung, Februari 2016

(Rasyida Nurlailani)

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

45

Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033

PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN
TANGAN DENGAN MENGUNAKAN ALGORITMA
BACKPROPAGATION
Rasyida Nurlailani
Program Studi Teknik Informatika
Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia
Jl. Dipati Ukur No. 112-116 Bandung
E-mail : rasyida_nurlailani@yahoo.com

ABSTRAK
Grafologi adalah ilmu yang mempelajari karakter
seseorang seseorang dengan cara menganalisa tulisan
tangan. Menganalisa tulisan tangan sangatlah
membantu dalam banyak bidang saat ini, misalnya
dalam bidang pendidikan, kriminalitas dan dapat
digunakan sebagai konseling. Salah satu cara yang
digunakan dalam grafologi untuk mengetahui
karakter seseorang, adalah dengan menganalisa pola
garis dasar kalimat dari tulisan tangan.Pengenalan
tulisan tangan dapat menggunakan jaringan saraf
tiruan dengan cara mengklasifikasikan vektor-vektor
masukan ke dalam kelas-kelas yang sudah ditentukan,
salah satu metode jaringan saraf tiruan adalah
backpropagation
Data citra yang digunakan untuk analisis melalui
tahapan proses image processing terlebih dulu seperti
proses cropping, grayscale, edge detection,
thresholding, normalisasi dan segmentasi citra. Pola
garis dasar yang digunakan pada penelitian ini adalah
empat pola garis dasar yaitu, pola garis dasaar naik,
pola garis dasar turun, pola garis dasar lurus dan pola
garis dasar acak.
Setelah melakukan proses pembelajaran dan
pengenalan
yang telah
dilakukan
dengan
menggunakan algoritma backpropagation dapat
digunakan dalam mengenali pola garis dasar tulisan
tangan dan diperoleh nilai akurasi sebesar 54.33%.
Persentase pengenalan masing – masing pola : untuk
pola garis dasar lurus 82.35%, untuk pola garis dasar
naik 55%, untuk pola garis dasar turun 50% dan untuk
pola garis dasar acak 30%
.
Kata kunci :
Grafologi, Jaringan Saraf Tiruan,
Backpropagation, Image Processing, Garis Dasar,
Tulisan Tangan.

1. PENDAHULUAN
Pada bagian ini akan dipaparkan mengenai latar
belakang masalah, maksud dan tujuan.
1.1 Latar Belakang

Hasil kerja manusia sangat ditentukan oleh
sifat dan karakter diri pribadi seseorang. Di Perancis
dan Swiss banyak perusahaan yang mencari karakter
karyawan yang sesuai dengan kriteria perusahaan.
Banyak cara yang dapat dilakukan untuk dapat
menilai karakter seseorang, ada yang melalu wajah,
bahasa tubuh, dan tulisan tangan. Untuk membaca
karakter seseorang melalui tulisan tangan dapat
dipelajari lewat suatu ilmu yang disebut “Grafologi”.
Grafologi sendiri adalah ilmu yang yang digunakan
untuk mengetahui karakter serta kepribadian
seseorang melalui tulisan atau coretan tangan yang
ditorehkan pada kertas maupun media lain. Istilah
lainnya disebut handwriting analysis. Dalam
grafologi ada beberapa cara untuk mengetahui
karakter seseorang, dengan cara memperhatikan pola
dari tulisan tangan seperti pola garis dasar, ukuran
huruf, kemiringan huruf dan kata, penekanan pena,
jarak antar huruf dan jarak antar kata[1].
Pengenalan pola tulisan tangan dilakukan
dengan bantuan perangkat lunak yang menggunakan
Jaringan Saraf Tiruan (JST). JST didefinisikan
sebagai suatu sistem pemrosesan informasi yang
mempunyai karakteristik menyerupai jaringan saraf
manusia. JST tercipta sebagai suatu generalisasi
model matematis dari jaringan saraf biologi[2] Salah
satu metode JST yang memilki kemampuan
pembelajaran yang sangat baik adalah algoritma
Backpropagation
yang
dikembangkan
oleh
Rumelhart, Hinton dan Williams, pada tahun 1986.
Di lihat dari hasil penelitian sebelumnya, Identifikasi
Tanda Tangan Menggunakan jaringan Saraf Tiruan
Perambatan Balik (Backpropagation) denagn t ingkat
keberhasilan sebesar 88% [3]. Sedangkan pada
penelitian Face Dection Using Backpropagation
Neural Networks menghasilkan nilai akurasi sebesar
90%[4]. Dan hasil penelitian pada Pengenalan pola
sidik jari berbasis transformasi wavelet dan jaringan
saraf tiruan Backpropagation tingkat akurasi yang di
hasilkan adalah 81,67%[5].
Berdasarkan
kelebihan
metode
Backpropagation pada hasil penelitian sebelumnya,
maka dalam penelitian ini peniliti akan menggunakan
algoritma backpropagation yang digunakan untuk

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

46

Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
mencari nilai akurasi dari algoritma algoritma
backpropagation pada pengenalan pola garis dasar
kalimat.
1.2 Maksud dan Tujuan
Maksud penelitian ini adalah menganalisis
algoritma backpropagation pada aplikasi yang dapat
yang dapat mengetahui karakteristik manusia
berdasarkan pola garis dasar tulisan tangan.
Tujuan yang akan dicapai dalam penelitian adalah
Untuk mengetahui nilai akurasi dari algoritma
Backpropagation pada pola garis dasar kalimat.
1.3 Grafologi
Grafologi merupakan ilmu tulisan tangan yang
dihasilkan oleh pikiran atau kerja otak, berdasarkan
hal tersebut banyak ahli grafologi yang menyebut
tulisan tangan dengan “tulisan otak”. Para ahli
menyebutkan bahwa grafologi merupakan sebuah
ilmu empiris yang dapat dibuktikan berdasarkan
fenomena dalam satu populasi dan ada kuantifikasi
hasil atau ada hasil dari uji statistik yang bisa
dipertanggungjawabkan.
Grafologi berasal dari kata graphos yang berarti
coretan dan logos adalah ilmu. Berdasarkan
pengertian tersebut dapat dikatakan bahwa grafologi
merupakan sebuah cabang ilmu yang mempelajari
sebuah coretan tangan. Tulisan tangan disini bukan
selalu huruf saja yang dapat dianalisis, namun sebuah
coretan-coretan tangan juga dapat memiliki arti
tersendiri. Grafologi juga dikatakan sebagai seni
membaca tulisan tangan, karena tulisan setiap orang
memiliki ciri-ciri yang khusus. [1]
1.4 Dasar Penentuan Analisis Tulisan Tangan
Terdapat beberapa dasar yang penentuan analisis
tulisan tangan, berikut adalah dasar-dasar dalam
penentuan analisis tulisan tangan: [1]
1. Margin tulisan
Margin tulisan dalam ilmu grafologi menunjukan
seseorang dan sosialnya.
2. Spasi atau jarak antar huruf
Dalam ilmu tata tulis, spasi merupakan salah satu
jenis pemisah kata. Spasi adalah daerah kosong yang
memang sengaja diadakan sebagai pemberi spasi dan
pemisah, baik pemisah huruf, kata, angka atau tanda
baca. Tidak ada angka atau spasi resmi yang dapat
dijadikan patokan pasti atau resmi dalam spasi ini.
Secara garis besar, spasi merupakan cerminan
nyaman atau tidaknya seseorang (penulis) terhadap
orang lain. Spasi atau jarak dalam tulisan terdapat tiga
bagian, yaitu:
a. Jarak antar kata
Untuk spasi atau jarak antar kata pada tulisan
adalah satu huruf. Jika spasi antar kata kurang dari 1
huruf “m” maka spasi tersebut kecil yang berarti
orang tersebut memiliki karakter orang yang
memiliki sifat sosial yang tinggi. Sedangkan jika
spasi antar hurufnya lebih dari satu huruf “m” maka

dikatakan lebar yang berarti orang tersebut
merupakan orang yang individualis.
b. Jarak antar huruf
Untuk spasi atau jarak huruf pada tulisan biasanya
antara 1-2mm. Jadi jika spasi tulisan antar huruf
seseorang kurang dari 1mm akan dikatakan kecil
yang berarti orang tersebut memiliki karakter orang
yang membutuhkan perhatian dan dorongan dari
orang lain, sedangkan lebih dari 2 mm akan dikatakan
besar yang berarti orang tersebut memiliki karakter
penuh akan kehati-hatian terhadap seseorang.
c. Jarak antar baris
Untuk spasi antar baris spasinya hampir sama
dengan spasi antar kata dan antar huruf. Untuk spasi
baris yang kecil mengindikasikan bahwa orang
tersebut merupakan orang yang senang terlibat
langsung dengan suatu hal, sedangkan spasi yang
lebar mengindikasikan bahwa orang tersebut
merupakan orang yang senang bekerja dibalik layar.
3. Garis dasar tulisan
Garis dasar atau baseline adalah garis imajiner
dari setiap tulisan. Dalam ilmu grofologi, garis
dasar diperumpamakan sebagai garis dasar
untuk mencapai cita-cita. Garis dasar tulisan
memiliki beberapa variasi diantaranya
a. Garis Dasar Lurus
Tipe orang dengan tulisan ini adalah orang
yang memiliki konsentrasi cukup tinggi,
memiliki energy yang besar, cenderung
mencoba mengatur, biasa menyiapkan
dirinya saat berhadapan dengan orang lain,
orang ini sangat terkontrol, mengikuti aturan
main dan diplomatis, hidupnya serba teratur,
penuh dengan aturan main dan jadwal
b. Garis Dasar Naik
Tipe orang dengan tulisan ini adalah orang
yang optimis, aktif, berpikir positif, selalu
berusaha mecapai cita.
c. Garis Dasar Turun
Tipe orang dengan t ulisan i ni sering
melihat segala sesuatu dari segi buruk,
berpikir negatif, sering merasa sinis
terhadap lingkungan sekitar, sering merasa
selalu menjadi korban keadaan, hidupnya
selalu rumit, susah dan berujung aneh.
d. Garis Dasar Tak Menentu
Tipe orang dengan tulisan ini memiliki
perasaan yang tidak stabil, kadang
bersemangat, tertawa, tetapi kemudian tiba –
tiba loyo bahkan menangis, memiliki
pengendalian diri yang buruk, merasa
kehilangan rasa aman
e. Garis Dasar Cembung
Tipe orang dengan tulisan ini memiliki
perasaan antusiasme yang kuat, tapi lambat
laun melempen/ memudar karena energinya
tekuras ketika mencapai puncak. Selain itu
arah tulisan ini juga mengidentifikasikan
adanya tempramen yang cepat muncul,

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

47

Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
namun juga cepat meghilang
Garis Dasar Cekung
Tipe
orang
dengan
tulisan
ini
mengidentifikasikan adanya suatu sifat yang
penuh keraguan dalam hal bertindak atau
mengambil keputusan, namun perasaan ini
akhirnya daoat segera diatasi dan semangatnya
bergerak naik menunjukan adanya kegigihan
dalam dirinya.
4. Ukuran tulisan
Ukuran tulisan lebih menjelaskan mengenai
sejauh mana dia memandang dirinya sendiri dan
membayangkan bagaimana dia seharusnya dipandang
oleh lingkungan sosialnya.
5. Tekanan tulisan
Tekanan tulisan pada seseorang berhubungan
dengan emosi seseorang yang menulis.
6. Zona penulisan
7. Kemiringan tulisan
Kemiringan tulisan seseorang berhubungan
dengan sifat dan kecenderungan tindakan yang
dilakukannya.
8. Jenis penulisan
Jenis penulisan seseorang terdapat dua jenis
penulisan yaitu cetak dan bersambung, dan dalam
grafologi akan berhubungan dengan interaksi sosial.
9. Kecepatan penulisan
Kecepatan seseorang dalam menulis dapat
memberikan gambaran mengenai potensi kecerdasan
dan kecepatan berpikir seseorang. Kecepatan
penulisan seseorang juga berhubungan erat dengan
kecepatan bertindak dan spontanitas seseorang.
10. Bentuk huruf awal dan akhir
Bentuk huruf awal dan akhir tulisan dapat
dijadikan gambaran bagi kita untuk melihat karakter
dan sifat penulisnya.
f.

1.5 Backpropagation
Metode pembelajaran ini merupakan termasuk
arsitektur jaringan saraf tiruan multilayer
feedforward networks. Secara umum, jaringan ini
terdiri dari sejumlah unit neuron sebagai lapisan
masukan, satu atau lebih lapisan simpul- simpul
neuron lapisan tersembunyi dan sebuah lapisan
simpul-simpul neuron keluaran. Sinyal masukan
yang masuk dipropagasikan mulai dari lapisan awal
sampai akhir ke arah lapisan keluaran. Jenis jaringan
ini merupakan hasil dari generalisasi arsitektur
perceptron satu lapisan, jadi biasa disebut dengan
multilayer perceptron (MLPs). Error back
propagation merupakan algoritma MLPs yang
menggunakan prinsip pembelajaran terawasi.
Propagasi balik terjadi (ke arah lapisan masukan)
setelah jaringan menghasilkan keluaran yang
mengandung eror. Pada fase ini seluruh bobot
sinapsis yang tidak memiliki aktivasi nol pada
jaringan
akan
disesuaikan
dengan
mengkoreksi/memperkecil eror yang terjadi (error
correction rule). Untuk pembelajaran jaringan,

pasangan fase propagasi ke depan dan balik
dilakukan secara berulang untuk satu set data latihan,
kemudian diulangi sejumlah epoch (satu sesi lewatan
untuk seluruh data latihan dalam sebuah proses
pembelajaran jaringan) sampai eror yang terjadi
mencapai batas kecil toleransi tertentu atau bernilai
nol. Pada Gambar 1 berikut menjelaskan cara kerja
dari jaringan saraf tiruan dengan menggunakan
metode backpropagation:

Gambar 1. Metode Backpropagation
Algoritma propagasibalik dapat dibagi ke dalam
dua bagian[12][13]:
1. Algoritma pelatihan
Algoritma pelatihan terdiri dari tiga tahap,
yaitu: tahap propagasi maju, tahap propagasi mundur,
dan tahap perubahan bobot.
2. Algoritma aplikasi
Algoritma aplikasi hanya menggunakan tahap
umpan maju saja.
Algoritma pelatihan untuk jaringan dengan satu
lapisan tersembunyi (dengan fungsi aktivasi sigmoid
biner) adalah sebagai berikut:
Langkah 0: Inisialisasi semua bobot dengan bilangan
acak kecil.
Langkah 1: Jika kondisi penghentian belum
terpenuhi, lakukan langkah 2-9.
Langkah 2: Untuk setiap pasangan data pelatihan,
lakukan langkah 3-8.
Fase I: Propagasi maju
Langkah 3: Tiap unit masukan menerima sinyal dan
meneruskannya ke unit tersembunyi di atasnya.
Langkah 4: Hitung semua keluaran di unit
= , ,…, .
tersembunyi

Dimana :

_

= bobot bias

=

+∑
=

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

48

Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
Dimana

= input biner

_

= bobot inisialisasi v
= ( _

Dimana:
_

)=

+

− _

e = exponent

Langkah 5: Hitung semua keluaran jaringan di unit
= , ,…, .
=

Dimana
= bobot bias

+∑
=

:

= bobot inisialisai w

Dimana
_

=

_

− _

e = exponen

Tentukan error minimum dan error
maksimum (k=1, …, m). Error dapat diperhitungan
seperti pada

Dimana

Fase II : Propgasi mundur

�ℎ
� _

� =

−

−

−

, ,….,

′

(

; = , ,…,

� = learning rate/ rasio pembelajaran

� = factor unit kesalahan
= sinyal input

untuk memperbaiki nilai

∆

= ��

� = learning rate/ rasio pembelajaran
� = factor unit kesalahan

Langkah 7 : Hitung factor � unit hidden berdasarkan
kesalahan di setiap unit keluaran
�_

= ∑�
=

Faktr � unit tersembunyi :
� = �_

Dimana:
�_

′

( _

)=�

−

= koreksi error

= unit output

Langkah 6 : Hitung factor � unit input dan output
berdasarkan kesalahan di setiap unit keluaran
=
, ,…,
� =

Dimana:

=

= bobot inisialisai w

Tentukan jumlah epoch minimum dan epoch
maksimum. Seperti pada
ℎ=

;

� = factor unit kesalahan

= nilai output

_

= ��

Dimana:

∑ � −

� = Target

�

∆

Dimana:
+

= sinyal output

=

dan � merupakan unit unit kesalahan yang akan
dipakai dalam perubahan bobot lapisan di bawahnya
(langkah7) Hitung suku perubahan bobot
(yang
akan dipakai nanti untuk merubah bobot
) dengan
laju percepatan �.

Hitung koreksi bias ∆
∆

= unit output

=

= Target
= nilai output

= sinyal input

_

= sinyal output

)

Hitung suku perubahan bobot
nanti untuk perubahan bobot
Δ

= ��

Dimana:

� = faktor unit tersembunyi

( yang akan di pakai
)

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

49

Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
= nilai input
� = learning rate/ rasio pembelajaran
Hitung suku perubahan bobot
Δ

Dimana:

= ��

� = faktor unit tersembunyi

� = learning rate/ rasio pembelajaran
Fase III : perubahan bobot
Langkah 8 : hitung semua perubahan bobot
Perubahan bobot garis yang menunjukan unit
keluaran :
�

Dimana:
∆

� � +∆

=

= Perubahan bobot

Perubahan bobot garis yang menunjukan ke unit
tersembunyi :

∆

�

=

= Perubahan bobot ∆

� � +∆

Langkah 9 :

Uji kondisi pemberhentian (akhir iterasi) pengujian
pemberhentian dilakukan dengan menghitung nilai
error. Jika mencari nilai error yang tidak memiliki
nilai target maka rumus mencari nilai error adalah
sebagai berikut :
−

Jika sudah memiliki nilai target maka rumus mencari
nilai error
adalah sebagai berikut :

Dimana

∑ � −

� = Target

= nilai output

1.6 Pengolahan Citra Digital
Secara harfiah, citra (image) adalah gambar
pada bidang dwimatra (dua dimensi). Ditinjau dari
sudut pandang matematis, citra merupakan fungsi
menerus (continue) dari intensitas cahaya pada
bidang dwimatra. Sumber cahaya menerangi objek,
objek memantulkan kembali sebagian dari berkas

cahaya. Pantulan cahaya ini ditangkap oleh alat-alat
optik, misalnya mata pada manusia, kamera, dan
pemindai (scanner), sehingga bayangan objek yang
disebut citra tersebut terekam[14].
1. Peningkatan kecerahan dan kontras
Peningkatan kecerahan dan kontras adalah sebuah
perbaikan dalam citra yang merubah citra yang
memiliki nilai kecerahan dan nilai kontras kurang
menjadi nilai kecerahan dan nilai kontras yang lebih
baik.
2. Penghilang derau
Penghilang derau adalah proses penghilangan
derau dari sebuah citra dengan keadaan distorsi atau
memiliki derau.
3. Pencarian bentuk objek
Beberapa jenis operasi dari pengolahan citra adalah
sebagai berikut: [6]
1. Pengabuan (Grayscale)
Merupakan proses konversi citra dengan warna
sebenarnya (true color) menjadi citra keabuan
(grayscale). Pengubahan gambar ke dalam bentuk
grayscale ini dilakukan dengan mengambil nilai pixel
dari satu gambar masukan kemudian dihitung
menggunakan persamaan sebagai berikut:
� � � =
,
∗� +
,
∗� + ,
∗

2. Pengambangan (Thresholding)
Operasi ini digunakan untuk mengubah citra
dengan format skala keabuan yang mempunyai nilai
lebih dari dua menjadi citra biner yang hanya
memiliki dua nilai yaitu 0 dan 1.
3. Pemotongan (Cropping)
Memotong bagian yang diinginkan dari sebuah
citra
4. Pengskalaan (Scaling)
Mengubah ukuran citra menjadi lebih besar atau
lebih kecil
1.7 Pengujian Black Box

Pengujian yang mengabaikan mekanisme internal
sistem atau komponen dan fokus semata-mata pada
output yang dihasilkan yang merespon input yang
dipilih dan kondisi eksekusi. Pengujian yang
dilakukan untuk mengevaluasi pemenuhan sistem
atau komponen dengan kebutuhan fungsional
tertentu. [11]
Tujuan Black Box adalah menemukan:
1. Fungsi yang tidak benar atau hilang
2. Kesalahan interface
3. Error pada struktur data atau akses database
external
4. Error pada kinerja
5. Error pada saat inisialisasi dan terminasi
6. Kesensitifan sistem terhadap nilai input tertentu
7. Batasan dari suatu data
1.8 Pengujian Akurasi

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

50

Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
Akurasi merupakan seberapa dekat suatu angka
hasil pengukuran terhadap angka sebenarnya (true
value atau reference value). Tingkat akurasi diperoleh
dengan perhitungan sesuai dengan persamaan berikut
: [12]
...(8)
∑ �� � � �� � �� ��
�
ℎ� � =
×
%

∑��

� �� �

2.1.4
Input Citra
Proses pengambilan citra yang digunakan sebagai
masukan pada sistem yang dibangun adalah citra dari
tulisan tangan seseorang yang sudah di scan atau di
foto yang berformat .jpg atau .png. Gambar 3 berikut
merupakan citra masukan yang akan digunakan pada
proses input citra:

2. ISI PENELITIAN
2.1 Analisis dan Perancangan Sistem
Berikut adalah analisis dan perancangan dari
sistem yang dibangun.
2.1.1 Analisis Masalah
2.1.2 Analisis Data Masukan
Data masukan yang dibutuhkan untuk aplikasi ini
adalah sebuah citra. Citra dapat berupa hasil dari
scanning. Citra yang digunakan untuk aplikasi ini
berformat ‘.jpg’ atau juga ‘.png’. Citra yang dijadikan
data masukan ini akan dibagi menjadi beberapa kelas
berdasarkan hasil analisis yang dilakukan oleh
aplikasi. Tabel 1 berikut adalah kelas-kelas yang
tersedia untuk data citra masukan, data citra masukan
akan dianalisis dan dimasukan ke dalam kelas yang
tersedia:

Gambar 3 Citra Masukan
2.1.5
Proses Image Preprocessing
Pada proses ini terdapat beberapa proses
pengolahan citra yang dibutuhkan pada simulasi yang
akan dibangun mulai dari scaling, grayscaling, edge
detection, thresholding, segmentasi dan normalisasi.
Gambar 4 berikut adalah langkah-langkah yang
dilakukan pada proses image processing mulai dari
proses pertama hingga menghasilkan citra hasil dari
proses image processing:
Mulai

Cropping

Grayscale

Threshold
ing

Normalisasi

Selesai

Gambar 4 Proses Image Processing
2.1.5.1 Cropping
Cropping atau pemotongan citra dilakukan untuk
mendapatkan citra yang digunakan sebagai data
masukan. Dari citra awal yang berukuran 77 x 1390
pixel dan setelah di lakukan proses cropping maka citra
berukuran 66 x 1216 adalah citra hasil pemotongan
dari citra masukan:

Gambar 5 Citra Hasil Pemotongan

Tabel 1 Kelas Data Masukan
2.1.3 Analisis Proses
Secara umum aplikasi memiliki beberapa proses
dalam melakukan analisis terhadap citra yang
dimasukkan kedalam aplikasi. Setiap proses memiliki
peran masing-masing untuk dapat mengenali citra
yang dimasukkan. Gambar 2 dapat dilihat pada
gambar berikut:
Citra
Tulisan
Tangan

2.1.5.2 Grayscale
Proses graycale adalah pengolahan citra yang
normal (RGB) menjadi citra grayscale. Pengubahan
gambar ke dalam bentuk grayscale ini dilakukan
dengan mengambil nilai pixel dari satu gambar
masukan
kemudian
dihitung
menggunakan
persamaan 5.6 berikut adalah nilai pixel citra hasil
proses grayscaling dari citra masukan yang sudah
melalui proses pemotongan:

PROSES
Image Processing

Cropping

Backpropagation

Thresholding
Pembelajaran

Pengenalan

Hasil
Analisis

Normalisasi

Graysacle

Edge
Dectection

Gambar 2 Analisis Proses
Gambar 1 Nilai pixel Grayscale

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

51

Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
2.1.5.3 Thresholding
Thresholding
merupakan
proses
untuk
merepsentasikan gambar digital hasil edge detection
ke dalam bentuk matriks dengan isi 0 atau 1. Nilai 0
dan 1 didapat dari merubah nilai intensitas threshold
yang sudah ditentukan. Apabila nilai pixel berada di
atas sebuah nilai intensitas maka akan diubah menjadi
0 yang berarti pixel tersebut merupakan background,
sedangkan jika nilai intensitas berada di bawah batas
nilai yang ditentukan maka pixel tersebut akan diubah
menjadi berwarna 1 yang berarti dianggap sebuah
karakter.
Gambar 5 Data Flow Diagram Level 1
2.2

Implementasi dan Pengujian Sistem
Berikut akan dipaparkan mengenai implementasi
dan pengujian sistem.
Gambar 2 Nilai pixel Thresholding
2.1.5.4 Normalisasi
Normalisasi adalah proses penyeragaman ukuran
citra menjadi ukuran yang sama. Karena data yang
dihasilkan dapat berbeda-beda dimensinya. Oleh
karena itu, untuk mendapatkan data yang seragam,
akurat dan konsisten dari setiap sampel, data citra
akan dinormalisasikan menjadi citra gambar dengan
ukuran 20 x 250 pixel.

Gambar 3 Citra Hasil Normalisasi
1.1.6 Analisis Kebutuhan Fungsionalitas Sistem
Berikut adalah diagram konteks dari sistem:

2.2.1
Lingkungan Implementasi
Lingkungan implementasi merupakan spesifikasi
perangkat keras dan perangkat lunak dimana sistem
ini akan digunakan. Berikut adalah lingkungan
implementasinya:
1. Lingkungan Perangkat Keras
Berikut adalah spesifikasi perangkat keras dalam
pembangunan simulator ini:
a. Processor : Intel Core i5-4210u 2,7 GHz
b. Memory : RAM DDR 3 4 GB
c. Harddisk : 1 TB
d. VGA : NVIDIA GeForce 840m
e. Monitor 14” dengan resolusi 1366 x 768
f. Keyboard
g. Mouse
h. Scanner
2. Lingkungan Perangkat Lunak
Berikut adalah perangkat lunak yang digunakan
dalam pembangunan simulator:
a. Sistem Operasi : Microsoft Windows 7
b. Pemrograman : MATLAB R2012b
2.2.2
Implementasi Antarmuka
Berikut adalah implementasi antarmuka dari
simulator yang dibuat:

Gambar 4 Diagram Konteks
Berikut adalah DFD level 1 dari sistem:

2.2.3
Pengujian
Berikut adalah hasil pengujian dari pembangunan
simulator:
1. Evaluasi pengujian fungsional
Berdasarkan hasil pengujian fungsional yang
dilakukan maka dapat disimpulkan bahwa simulator

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

52

Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
yang dibangun sudah berjalan sesuai dengan yang
diharapkan.
2. Evaluasi Pengujian Akurasi
Dari lima pengujian akurasi yang dilakukan
akurasi paling tinggi didapat dari pengujian akurasi
ke-5. Pengujian akurasi 5 dilakukan dengan
menggunakan kombinasi parameter masukan sebagai
berikut:
a. Learning Rate (α)
: 0.05
b. Error Minimum
: 0.05
c. Maksimum Epoh
: 100
Berikut adalah akurasi yang dihasilkan dari proses
pengujian .Nliai akurasi pada masing pola garis dasar
adalah sebagai berikut:
�
�

�

�

��

��

��

��

�� � �
=

.

�� � ��

�� � �
�� �

%

=

%

Achmad Hidayanto, R.Rizal Isnanto ,
Identifikasi Tanda Tangan Menggunakan
Jaringan Saraf Tiruan Perambatan Balik
(Backpropagation).

[4]

Anifuddin Aziz, Muhamad Haikal, Face
Detection Using Backpropagation Neural
Network,Universitas
Gadjah
Mada.,
Yogyakarta

[5]

Sayful Hakam, Adiwijaya , Andrian
Rakhmatsyah, Pengenalan Pola Sidik Jari
berbasis Transformasi Wavelet dan Jaringan
Syaraf Tiruan Backpropagation., Teknik
Informatika. Universitas Telkom.

[6]

tutorialspoint.com, Software Devlopment Life
Cycle, tutorialspoint.com

[7]

Ludvianto, Bayu. Analisis Tulisan Tangan.
Gramedia, Jakarta. 2011

=

%=

%

[8]

� =

%=

%

M. H. Purnomo dan A. Kurniawan,
Supervised Neural Networks dan Aplikasinya,
Yogyakarta: Graha Ilmu, 2006

[9]

Hermawan, Arief. 2006. Jaringan Saraf
Tiruan Teori dan Aplikasi. Yogyakarta: Andi.

[10]

Puspitaningrum, Diyah. 2006. Pengantar
Jaringan Saraf Tiruan. Yogyakarta: Andi.

=

%=

%

Nilai Akurasi rata- rata dari pola garis dasar adalah
sebesar 54.33%

3. PENUTUP
3.1 Kesimpulan dan Saran
Berdasarkan dari hasil penelitian, analisis,
perancangan sistem dan pembuatan simulator
pengenalan pola garis dasar tulisan tangan dengan
menggunakan algoritma backpropagation maka
kesimpulanya adalah metode backpropagation dapat
digunakan dalam mengenali pola garis dasar tulisan
tangan, dengan nilai akurasi yang diperoleh sebesar
54.33%. Presentase pengenalan masing – masing pola
: untuk pola garis dasar lurus 82.35%, untuk pola
garis dasar naik 55%, untuk pola garis dasar turun
50% dan untuk pola garis dasar acak 30%.
Untuk lebih meningkatkan kinerja dari sistem
yang dibuat, maka diusulkan beberapa saran sebagai
berikut :
1. Pengenalan karakter pada tulisan tangan tidak
hanya melihat pola garis dasar kalimat saja, tetapi
dari kemirigan tulisan, spasi antar kata, tekanan
tulisan, ukuran tulisa dan margi tulisan.
2. Pencarian nilai spesifik dari citra tulisan tangan
dapat dilakukan dengan metode lain.
DAFTAR PUSTAKA
[1]https://www.karohs.com/books/GraphologyBook
s,Handwriting Analsysis.
[2]

[3]

Hermawan, Arief. Jaringan saraf tiruan,
Teori dan Aplikasi. Yogyakarta : Andi.2006

[11] S. Kusumadewi, Artificial Intelligence (Teknik
dan Aplikasinya), Yogyakarta: Graha Ilmu,
2003
[12]

Siang, Jong Jek. 2009 Jaringan Saraf Tiruan
& Pemrogramannya Menggunakan Matlab.
Yogyakarta: Andi.

[13]

F. L, Fundamentals of Neural Network:
Architectures, Algorithms, and Applications,
New Jersey: Prentice-Hall, 2002

[14]http://informatika.stei.itb.ac.id/~rinaldi.munir/B
uku/Pengolahan%20Citra Digital/ diakses 1
Maret 2015

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

45

Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033

HANDWRITING BASELINE PATTERN RECOGNITION ON SENTENCES
USING ALGORITHM BACKPROPAGATION
Rasyida Nurlailani

Informatics Engineering Program
Engineering and Computer Science Faculty Indonesia Computer University
Jl. Dipati Ukur No. 112-116 Bandung
E-mail : rasyida_nurlailani@yahoo.com

- each pattern: on the basis of straight-line pattern

ABSTRACT

82.35%, on the pattern of a base line rose 55%, to a
Graphology is the study of a person's
character by analyzing a person's handwriting.

pattern base line fell by 50% and on the basis of a
random pattern of lines 30%.

Analyzing handwriting is very helpful in many fields
today, for example in the field of education, crime and

Keywords:

Graphology,

can be used as counseling. One of the ways used in

Backpropagation,

graphology to know a person's character, is by

Handwriting.

Image

Neural

Networks,

Processing,

Baseline,

analyzing the pattern of a base line of writing
sentences tangan.Pengenalan handwriting can use

1. INTRODUCTION

neural networks by classifying input vectors into
classes that have been determined, one of the methods
artificial neural network is a backpropagation

1.1 Background
The work of humans is determined by the nature

Image data used for the analysis through the

and character of one's self. In France and

stages of the process of image processing such as the

Switzerland and more companies are looking for

first

detection,

employees in accordance with the character of the

thresholding, normalization and image segmentation.

company's criteria. Much can be done to be able to

The pattern of the base line used in this study are four

judge a person's character, there are through the

basic grid pattern, namely, line patterns dasaar rose

face, body language and handwriting. To read a

pattern down the base line, a straight base line

person's character through handwriting can be

pattern and line pattern random basis.

learned through a science called "Graphology".

cropping,

grayscale,

edge

After making the process of learning and

Graphology is the science used to determine the

recognition that has been done by using the back

character and personality of a person through writing

propagation algorithm can be used to recognize

or graffiti inscribed on paper or other media. Other

patterns and handwriting base line values obtained

terms

accuracy of 54.33%. Percentage introduction of each

graphology there are several ways to determine a

referred

to

handwriting

analysis.

In

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

46

Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
person's character, by looking at the pattern of

Backpropagation value on the bottom line of sentence

handwriting as a basic grid pattern, the font size, the

patterns.

slope of the letters and words, the emphasis pen,
spacing between letters and spacing between words

1.3 Graphology

[1].

Graphology is science of handwriting resulting by

Handwriting pattern recognition is done with the

headwork, based on that thing many graphology

help of software using Artificial Neural Network

expert called handwriting is “writing of brain”. The

(ANN). JST is defined as an information processing

expert say that graphology is na empirical Science

system that has characteristics resembling human

which can be proven by phenomena in population and

nerve tissue. ANN created as a generalization of

there quantification result or result from statistika

mathematical models of biological neural networks

test can be accounted.

[2] One method of ANN, which has an excellent

Graphology from graphos which meaning stroke

learning capability is Backpropagation algorithm

and logos is science. Based on that mean can be said

developed by Rumelhart, Hinton and Williams, in

graphology is a branch of science studies a hand

1986.

stroke. Handwriting here is not always the letter can

In view of the results of previous studies,

be analyzed, but a hand stroke can also have its own

Signature Identification Using Neural network

meaning. Graphology is also said as art for reading

propagation Balik (Backpropagation) denagn t

handwriting, because a writing each people has

Degree of success of 88% [3]. While the research

special characteristics.[1]

Face

dection

Using

Backpropagation

Neural

Networks produces an accuracy value of 90% [4].

1.4

Determining basic Handwriting Analysis

And the results of research on fingerprint pattern

There are some basic determination of

recognition based on wavelet transform and artificial

handwriting analysis, here are the basics in the

neural network Backpropagation at yield levels of

determination of handwriting analysis: [1]

accuracy is 81.67% [5].
Based

excess

1.

Backpropagation

method

in

Margin writing in the science of graphology

previous studies, in this study the researchers will use
backpropagation algorithm is used to find the value

Margin Posts

shows the person and social.
2.

Spacing or spacing between letters

of the accuracy of the algorithm back propagation

In the science of Grammar, space is one type of

algorithm on the introduction of basic sentence

word separators. Spaces are empty areas that

patterns of lines.

are deliberately held as a giver of space and
separation, both separators letters, words,
numbers or punctuation. There are no official

1.2 Purpose and Objective
Purpose of this study is to analyze the

numbers or spaces that can be used as a

propagation algorithms in applications that can to

benchmark for sure or authorized in this space.

know the characteristics of human beings on the basis

Broadly speaking, the space is a reflection

of handwriting line pattern.

comfortable or not a person (the author) to

Objectives to be achieved in the research was to
determine

the

accuracy

of

the

others. Spacing or distance in the text there are

algorithm

three parts, namely:
3.

The distance between words

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

47

Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
For spacing or distance between the written

The type of people with this paper is an

is less than 1 letter "m" then that space is small,

optimist, active, positive thinking,

which means the person has the character of

always trying mecapai ideals.
The Bottom Line Down
The type of people with ulisan i ni t

"m" then said width which means the person is

often see everything in terms of bad,

a person who is individualistic.

negative thinking, often feel cynical

Spacing between letters

about the surrounding environment,

For spacing or distance between the letters on

often feel has always been a victim of

paper usually 1-2mm. So if spaced posts

circumstances,

between letters someone less than 1mm will be

complicated, difficult and led to

said to be small, which means the person has the

bizarre.
d.

life

is

always

The Bottom Line of Uncertainty

encouragement from others, while more than 2

The type of people with this paper has

mm will say big meaning the person has a full

the feeling unstable, sometimes upbeat,

character would caution against someone ,

laughing, but then arrived - arrived

The distance between rows.

lackluster even cry, have a poor self-

For spacing between lines spaces is almost the

control, feeling lost sense of security

same as the spacing between words and between

6.

c.

spacing between the letters more than one letter

character of people in need of attention and

5.

The Bottom Line Up

word is one letter. If the spacing between words

those who have social natures. Meanwhile, if the

4.

b.

e.

The Bottom Line Convex

letters. For a small line spacing indicate that the

The type of people with this paper has

person is a happy person directly involved with

a strong sense of enthusiasm, but

something, while the wide spaces indicate that

gradually melempen / fade because the

the person is a person who likes to work behind

energy tekuras when reaching the top.

the scenes.

Additionally, this article identifies the

Basic line posts

direction

of

the

Base line or baseline is an imaginary line fr