Pengenalan Huruf Tulisan Tangan Berbasis Ciri Skeleton dan Statistik Menggunakan Jaringan Saraf Tiruan.

i UNIVERSITAS KRISTEN MARANATHA PENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON

DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN Disusun oleh :

Mario Herryn Tambunan (1022056)

Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jl. Prof. Drg. Suria Sumantri, MPH. No. 65, Bandung, Jawa Barat, Indonesia

e-mail : tambunan.mario.herryn@gmail.com ABSTRAK

Pengenalan tulisan tangan semakin diperlukan pada zaman yang sudah serba modern seperti sekarang. Banyak dokumen penting yang masih ditulis dengan tulisan tangan dan penyimpanannya masih dalam bentuk analog, akan lebih efisien apabila penyimpanan dokumen dokumen tersebut dalam data digital. Ekstraksi ciri merupakan bagian dari teknik pengenalan pola yang bertujuan untuk mengambil atau mengekstraksi nilai-nilai unik dari suatu objek yang membedakannya dari objek lainnya, maka penggunaan ekstraksi ciri sangatlah penting pada pengenalan pola.

Pada Tugas Akhir ini dirancang dan direalisasikan pengenalan tulisan tangan menggunakan ekstraksi ciri skeleton dan statistik. Setelah ciri tiap huruf telah diambil lalu akan dilatihkan dan di ujikan menggunakan Jaringan Saraf Tiruan dengan algoritma pelatihan Backpropagation agar didapatkan pola setiap huruf lalu akan di uji hasil pengenalannya.

Hasil percobaan menunjukkan penggunaan ekstraksi ciri ini dapat mengenali pola huruf dengan benar, namun masih muncul beberapa kesalahan dalam pengenalan pada huruf yang mirip dalam bentuknya. Secara keseluruhan akurasi pengenalan pola huruf yang didapatkan adalah 75%. Kemampuan JST dalam mengenali pola huruf mencapai hasil yang cukup baik walaupun belum maksimal.

ii

LETTER HANDWRITTEN RECOGNITION USING NEURAL NETWORK BASED ON SKELETON AND STATISTICAL FEATURE EXTRACTION

Composed by :

Mario Herryn Tambunan (1022056)

Electrical Engineering Department, Faculty of Engineering, Maranatha Christian University, Jl. Prof. drg. Suria Sumantri, MPH, No. 65th, Bandung,

Indonesia.

e-mail : tambunan.mario.herryn@gmail.com

ABSTRACT

Handwriting recognition increasingly necessary in the modern era. Many important documents are still handwritten and storage is still in analog form, would be more efficient if the document storage in digital data. Feature extraction is part of a pattern recognition technique that aims to take or extract the unique values of an object that distinguish it from other objects, then the use of feature extraction is very important in pattern recognition.

On this final project designed and realized a handwriting recognition process using skeleton and statistical feature extraction. After the feature of each letter has been taken and it will be trained and tested using Neural Network with Backpropagation training algorithm in order to obtain the pattern of each letter and then will be tested the handwriting recognition.

The results showed the use of this feature extraction can recognize patterns of letters correctly, but still appear some errors in the recognition to the letters that are similar in shape. Overall accuracy of pattern recognition obtained was 75%. ANN ability to recognize patterns of letters achieve good results although not maximal.

v

DAFTAR ISI

Halaman

ABSTRAK ... i

ABSTRACT ... ii

KATA PENGANTAR ... iii

DAFTAR ISI ... v

DAFTAR TABEL ... viii

DAFTAR GAMBAR ... ix

BAB 1 PENDAHULUAN 1. 1. Latar Belakang ... 1

1. 2. Rumusan Masalah ... 2

1. 3. Tujuan ... 2

1. 4. Batasan Masalah ... 2

1. 5. Sistematika Penulisan... 3

BAB 2 LANDASAN TEORI 2. 1. Pengolahan Citra Digital ... 4

2. 1. 1. Citra Grayscale dan Citra Berwarna ... 5

2. 1. 2. Citra Biner ... 7

2. 1. 3. Nilai Ketetanggaan ... 7

2. 2. Optical Character Recognition ... 8

2. 2. 1. Data Preprocessing ... 9

2. 2. 1. 1. Cleaning ... 9

2. 2. 1. 2. Character Normalization ... 9

2. 2. 1. 3. Segmentation ... 10

2. 2. 1. 4. Thinning ... 10

2. 2. 1. 4. 1. Zhang-Suen Thinning ... 10

2. 2. 1. 4. 2. Stentiford Thinning ... 12

2. 2. 2. Ekstraksi Ciri ... 13

vi

2. 3. 1. Neuron Manusia ... 17

2. 3. 2. Arsitektur Jaringan ... 19

2. 3. 3. Pelatihan ... 20

2. 3. 4. Fungsi Aktivasi ... 21

2. 3. 5. Bias ... 23

2. 3. 6. Error ... 23

2. 3. 7. Backpropagation ... 24

2. 3. 7. 1. Pemilihan Bobot Awal ... 24

2. 3. 7. 2. Jumlah Lapisan Unit Tersembunyi ... 24

2. 3. 7. 3. Pelatihan Backpropagation ... 25

2. 3. 7. 4. Delta-Bar-Delta ... 28

2. 4. Database IAM ... 30

BAB 3 PERANCANGAN PERANGKAT LUNAK 3. 1. Diagram Blok Pengenalan Tulisan Tangan... 31

3. 2. Diagram Alir Sistem Pengenalan Tulisan Tangan ... 33

3. 2. 1. Diagram Alir Pengenalan Preprocessing... 34

3. 2. 2. Diagram Alir Pengenalan Ekstraksi Ciri... 35

3. 2. 2. 1. Diagram Alir Area ... 35

3. 2. 2. 2. Diagram Alir Lebar Citra ... 36

3. 2. 2. 3. Diagram Alir Tinggi Citra ... 37

3. 2. 2. 4. Diagram Alir Rasio ... 38

3. 2. 2. 5. Diagram Alir Kuadran ... 39

3. 2. 2. 6. Diagram Alir Koordinat Pusat Massa ... 40

3. 2. 2. 7. Diagram Alir NCM ... 41

3. 2. 2. 8. Diagram Alir NCOM ... 42

3. 2. 2. 9. Diagram Alir Menghitung Branch point & End Point 43 3. 2. 2. 10. Diagram Alir Menghitung Loop ... 44

vii

BAB 4 DATA PENGAMATAN DAN ANALISIS

4. 1. Pengujian Tahap 1 : Pengenalan Tulisan Tangan Untuk Pemilihan Algoritma Thinning ... 46

4. 2. Pengujian Tahap 2: Pengujian Pengenalan Tulisan

Tangan ... 53 4. 2. 2. Pengujian yang Menggunakan Data Orang yang

Sama Dengan Data Latih ... 54 4. 2. 2. Pengujian yang Menggunakan Data Orang yang

Tidak Sama Dengan Data Latih... 59 4. 3. Analisis Hasil Percobaan Secara Keseluruhan ... 61

BAB 5 SIMPULAN DAN SARAN

5. 1. Simpulan ... 66 5. 2. Saran ... 66

DAFTAR PUSTAKA ... 67 LAMPIRAN A LISTING PROGRAM

LAMPIRAN B IAM HANDWRITING DATABASE LAMPIRAN C DATA PELATIHAN & PENGUJIAN

viii

DAFTAR TABEL

Halaman

Tabel 2.1 Ekstraksi ciri Statistik ... 14

Tabel 2.2 Ekstraksi ciri Skeleton ... 15

Tabel 2.3 Perbandingan Jaringan Saraf Manusia dan JST ... 18

Tabel 3.1 Contoh Normalisasi Ciri ... 44

Tabel 4.1 Target JST ... 46

Tabel 4.2 Thinning Zhang-Suen Menggunakan Form 1 ... 47

Tabel 4.3 Thinning Zhang-Suen Menggunakan Form 2 ... 49

Tabel 4.4 2 Thinning Stentiford Menggunakan Form 1 ... 50

Tabel 4.5 Thinning Stentiford Menggunakan Form 2 ... 52

Tabel 4.6 Hasil Pengujian yang Menggunakan Data Orang yang Sama Dengan Data Latih ... 55

Tabel 4.7 Hasil Pengujian yang Menggunakan Data Orang yang Tidak Sama Dengan Data Latih ... 59

Tabel 4.8 Akurasi Pengujian yang Menggunakan Data Orang yang Sama Dengan Data Latih ... 61

Tabel 4.9 Akurasi Pengujian yang Menggunakan Data Orang yang Tidak Sama Dengan Data Latih ... 61

Tabel 4.10 Akurasi Hasil Pengenalan Tiap Huruf ... 62

Tabel 4.12 Perbandingan Ekstraksi ciri Antara huruf “n” dengan “h” , dan huruf ”i” dan “l” ... 63

Tabel 4.12 Perbandingan Ekstraksi ciri Antara huruf “w” dengan “h” , dan huruf ”n” dan “o” ... 64

ix

DAFTAR GAMBAR

Halaman

Gambar 2.1 Derajat keabuan dan contoh citra grayscale ... 6

Gambar 2.2 Kombinasi warna RGB dan CMYK... 6

Gambar 2.3 4 Neighbors vertikal dan horizontal dari p ... 7

Gambar 2.4 4 Neighbors diagonal dari p ... 7

Gambar 2.5 8 Neighbors dari p ... 8

Gambar 2.6 Hasil sebelum cleaning (a) dan sesudah cleaning (b) ... 9

Gambar 2.7 Contoh normalisasi dengan penempatan bentuk asli ke template .. 10

Gambar 2.8 Nilai ketetanggaan dari algoritma thinning Zhang-Suen ... 11

Gambar 2.9 Hasil penghapusan piksel dengan thinning Zhang-Suen... 12

Gambar 2.10 Template pada Stentiford thinning ... 12

Gambar 2.11 Contoh Klasifikasi Piksel ... 15

Gambar 2.12 Proses menghitung connected component... 16

Gambar 2.13 Jaringan Saraf Manusia ... 17

Gambar 2.14 Struktur Jaringan Saraf Tiruan ... 18

Gambar 2.15 JST lapisan tunggal ... 19

Gambar 2.16 JST lapisan jamak... 19

Gambar 2.17 Fungsi Aktivasi Threshold ... 21

Gambar 2.18 Fungsi Aktivasi Identitas ... 22

Gambar 2.19 Fungsi aktivasi sigmoid ... 22

x

Gambar 2.21 Arsitektur jaringan backpropagation ... 25

Gambar 2.22 Contoh IAM handwriting Database ... 30

Gambar 3.1 Diagram Blok Cara Kerja Pengenalan Tulisan Tangan ... 31

Gambar 3.2 Hasil preprocessing ... 32

Gambar 3.3 Diagram Alir Proses Pengenalan Tulisan Tangan... 33

Gambar 3.4 Diagram Alir Preprocessing ... 34

Gambar 3.5 Diagram Alir Ekstraksi Ciri ... 35

Gambar 3.6 Diagram Alir Area ... 36

Gambar 3.7 Diagram Alir Lebar Citra ... 37

Gambar 3.8 Diagram Alir Tinggi Citra ... 38

Gambar 3.9 Diagram Alir Rasio ... 38

Gambar 3.10 Diagram Alir Kuadran ... 39

Gambar 3.11 Diagram Alir Koordinat Pusat Massa ... 40

Gambar 3.12 Diagram Alir NCM ... 41

Gambar 3.13 Diagram Alir NCOM ... 43

Gambar 3.14 Diagram Alir Menghitung Branch Point & End Point ... 43

Gambar 3.15 Diagram Alir Menghitung loop ... 44

Gambar 3.16 Arsitektur pelatihan JST yang digunakan ... 45

BAB I PENDAHULUAN

1 UNIVERSITAS KRISTEN MARANATHA

BAB I

PENDAHULUAN

1. 1. Latar Belakang

Pengenalan tulisan tangan semakin diperlukan pada zaman yang sudah serba modern seperti sekarang. Banyak dokumen penting yang masih ditulis dengan tulisan tangan dan penyimpanannya masih dalam bentuk analog, akan lebih efisien apabila penyimpanan dokumen dokumen tersebut dalam data digital.

Dalam proses penyimpanannya menjadi data digital citra tulisan tangan akan diubah menjadi data tulisan. Dalam proses konversinya dibutuhkan suatu sistem yang dapat membantu untuk mengenali tulisan tangan. Untuk pengenalan suatu tulisan tangan, penggunaan ekstraksi ciri sangat penting. Ekstraksi ciri merupakan bagian dari teknik pengenalan pola yang bertujuan untuk mengambil atau mengekstraksi nilai-nilai unik dari suatu objek yang membedakannya dari objek lainnya[9]. Ekstraksi ciri dalam pengenalan tulisan tangan dapat dibagi menjadi berbagai metoda seperti contohnya statistic features, configuration features, skeleton features, boundary features, eliptic fourier descriptors, directional features, dan masih banyak metoda lain [2].

Maka pada Tugas Akhir ini akan dibuat sebuah sistem yang dapat membantu pengenalan pola tulisan tangan dengan menggunakan ekstraksi ciri skeleton features dan statistik features yang akan di validasi menggunakan JST (Jaringan Saraf Tiruan).

IAM Handwriting Database yang menjadi masukan dari simulasi pengenalan tulisan tangan pada Tugas Akhir ini memiliki banyak bentuk tulisan tangan yang berbeda - beda yang dipindai pada resolusi 300dpi dan disimpan sebagai gambar PNG dengan 256 gray level [20]. Database ini terdiri dari kalimat Bahasa Inggris yang berdasarkan atas Lancaster-Oslo/Bergen (LOB) corpus (sebuah koleksi jutaan kata dari tulisan Bahasa Inggris yang disusun pada tahun

BAB I PENDAHULUAN 2

UNIVERSITAS KRISTEN MARANATHA 1970)[18].

1. 2. Rumusan Masalah

Hal – hal yang menjadi permasalahan dalam Tugas Akhir ini adalah : a. Bagaimana merancang sistem pengenalan tulisan tangan berbasis

ekstraksi ciri skeleton dan statistik ?

b. Bagaimana hasil pengenalan tulisan tangan berbasis ekstraksi ciri skeleton dan statistik ?

1. 3. Tujuan

Tujuan dari Tugas Akhir ini adalah :

a. Merancang dan merealisasikan sistem pengenalan tulisan tangan berbasis ekstraksi ciri skeleton dan statistik.

b. Menganalisa hasil pengenalan tulisan tangan berbasis ekstraksi ciri skeleton dan statistik.

1.4. Batasan Masalah

Dalam penyusunan Tugas Akhir ini ada beberapa batasan yang ditetapkan yaitu :

a. Masukan dari proses pengenalan tulisan tangan berupa citra huruf yang telah disegmentasi dari “a” sampai “z”, Huruf yang digunakan hanya huruf kecil saja, dan tergantung pada ketersediaan huruf yang ada pada tiap form.

b. Data pelatihan dan data uji akan diambil dari 7 orang (setiap orang menuliskan 1 form) yang berbeda. Citra huruf yang diambil berjumlah 342 citra, dengan 202 citra huruf untuk pelatihan dan 140 citra huruf untuk pengujian.

c. Tulisan yang diambil dari Database IAM dipilih secara subyektif dengan kriteria tulisan tanpa slant (kemiringan terhadap sumbu y) dan tanpa slope

BAB I PENDAHULUAN 3

UNIVERSITAS KRISTEN MARANATHA (kemiringan terhadap sumbu x) dengan ukuran dan bentuk yang bervariasi.

d. Tulisan terpisah tiap hurufnya ( bukan tulisan bersambung/cursive) 1.5. Sistematika Penulisan

Laporan Tugas Akhir ini disusun dengan sistematika sebagai berikut :  BAB I : Pendahuluan

Bab ini menjelaskan mengenai latar belakang masalah, rumusan masalah, tujuan dan sistematika penulisan dari Tugas Akhir ini.  BAB II : Landasan Teori

Bab ini menjelaskan tentang teori-teori penunjang tentang pengolahan citra digital, Optical Character Recognition, dan Jaringan Syaraf Tiruan.

 BAB III : Perancangan Perangkat Lunak

Bab ini berisi algoritma dan diagram alir pembuatan program pengenalan tulisan tangan secara keseluruhan.

 BAB IV : Data Pengamatan dan Analisis

Bab ini berisi data pengamatan yang diperoleh dari hasil uji coba dan juga analisis terhadap kebenaran dan akurasi hasil data.

 BAB V : Simpulan dan Saran

Bab ini berisi simpulan dan saran yang diambil setelah data pengamatan telah di analisis yang bertujuan untuk melakukan pengembangan terhadap Tugas Akhir selanjutnya.

BAB V SIMPULAN DAN SARAN

66 UNIVERSITAS KRISTEN MARANATHA

BAB V

SIMPULAN DAN SARAN

Bab ini berisi simpulan berdasarkan hasil penelitian dan analisis data dari

Tugas Akhir ini serta saran untuk pengembangan “Pengenalan Huruf Tulisan

Tangan Berbasis Ciri Skeleton dan Statistik Menggunakan Jaringan Saraf Tiruan”.

5. 1. Simpulan

Dari data hasil uji coba dan analisis yang dilakukan terkait dengan pelaksanaan Tugas Akhir, dapat diambil simpulan :

1. Proses pengenalan tulisan tangan dapat menghasilkan akurasi secara keseluruhan sebesar 75%.

2. Thinning dengan algoritma Stentiford lebih baik akurasi pengenalannya jika dibandingkan dengan algoritma thinning Zhang-Suen.

3. Dalam pengenalan pola tulisan tangan masih sering tertukar dalam pengenalan beberapa huruf, huruf “n” dan “h” maupun huruf “i” dan “l” dan beberapa huruf lainnya masih sering tertukar.

4. Sulit mendapatkan akurasi yang baik jika huruf tulisan tangan tidak di latihkan lalu dimasukkan dalam data uji. Tiap tiap orang memiliki karakter tulisan tangan nya masing masing.

5. 2. Saran

1. Untuk selanjutnya mungkin dapat digunakan ekstraksi ciri yang lebih tahan terhadap variasi tulisan tangan manusia. Seperti boundary features, eliptic fourier descriptors, directional features, dan masih banyak ciri lainnya.

2. Untuk selanjutnya mungkin dapat menggunakan algoritma thinning yang lain yang lebih tepat untuk pengenalan tulisan tangan.

BAB V KESIMPULAN DAN SARAN

67 UNIVERSITAS KRISTEN MARANATHA

DAFTAR PUSTAKA

[1] Abandah, G. dan Jamour, F. 2010 . Recognizing Handwritten Arabic Script Through Efficient Skeleton-Based Grapheme Segmentation Algorithm [2] Abandah, G. dan Khedher , M. 2009. Analysis of Handwritten Arabic Letters

Using Selected Feature Extraction Techniques

[3] Abandah , G. dan Malas, T. 2010. Feature Selection for Recognizing Handwritten Arabic Letters. Dirasat Eng

[4] Fausett Laurene. Fundamentals of Neural Networks. Prentice Hall

[5] Gonzales, R.C. dan Woods, R. E. 2002. Digital Image Processing. Prentice Hall : New Jersey

[6] Gonzalez, R.C., Woods, R.E., dan Eddins, S.L. 2004. Digital Image Processing Using MATLAB. Prentice Hall : Upper Saddle River. New Jersey [7] Jain, K. Anil., Mao, Jianchang. dan Mohiuddin, K. M. 1996. Artificial Neural

Network: A Tutorial. IEEE

[8] Kong, T. Y. dan Rosenfeld, A. 1996. Topological Algorithms for Digital Image Processing. Elsevier Science B. V. Amsterdam.Netherlands

[9] Mark,S.Nixon. dan Alberto, S. Aguado. 2002. Feature Extraction and Image Processing. Newnes. Oxford. Great Britain

[10] Mohamed,Cheriet., Nawwaf, Kharma., Cheng-Lin, Liu. dan Ching, Y. Suen. 2007. Character Recognition Systems: A Guide for Students and Practioners. John Wiley & Sons Inc. HobBERHASILn. New Jersey

[11] N, Otsu. 1979. A Threshold Selection Method from Gray-Level Histograms. IEEE

[12] Phukan, Abhishek. dan Borah, Mrinaljit. A Survey Paper on the Feature Extraction Module of Offline Handwriting Character Recognition

[13] Prokop, R. J. dan Reeves, A. P. 1992. A Survey of Moment-Based Techniques for Unoccluded Object Representation and Recognition.

[14] S, Haykin. 1994. Neural Networks: A Comprehensive Foundation. MacMillan College Publishing Co. New York

[15] Siang, J.J. 2005. Jaringan Syaraf Tiruan & Pemrogrammannya Menggunakan Matlab. Andi : Yogyakarta

BAB V KESIMPULAN DAN SARAN 68

UNIVERSITAS KRISTEN MARANATHA [16] Stentiford, F. W. M. dan Mortimer, R. G. 1983. Some new Heuristics for

Thinning Binary Handprinted Characters for OCR. IEEE.

[17] Zhang,T.Y. dan Suen, C. Y. 1984. A Fast Parallel Algorithm for Thinning Digital Patterns. Communication of the ACM

[18] http://en.wikipedia.org/wiki/Lancaster-Oslo-Bergen_Corpus, diakses : Juli 2015

[19] http://intranet.mcad.edu/kb/should-i-work-rgb-or-cmyk-color-management-mcad, diakses : Juli 2015

[20] http://www.iam.unibe.ch/fki/databases/iam-handwriting-database/iam-handwriting-database, diakses : Maret 2015

BAB I PENDAHULUAN

1 UNIVERSITAS KRISTEN MARANATHA

BAB I

PENDAHULUAN

1. 1. Latar Belakang

Pengenalan tulisan tangan semakin diperlukan pada zaman yang sudah serba modern seperti sekarang. Banyak dokumen penting yang masih ditulis dengan tulisan tangan dan penyimpanannya masih dalam bentuk analog, akan lebih efisien apabila penyimpanan dokumen dokumen tersebut dalam data digital.

Dalam proses penyimpanannya menjadi data digital citra tulisan tangan akan diubah menjadi data tulisan. Dalam proses konversinya dibutuhkan suatu sistem yang dapat membantu untuk mengenali tulisan tangan. Untuk pengenalan suatu tulisan tangan, penggunaan ekstraksi ciri sangat penting. Ekstraksi ciri merupakan bagian dari teknik pengenalan pola yang bertujuan untuk mengambil atau mengekstraksi nilai-nilai unik dari suatu objek yang membedakannya dari

objek lainnya[9]. Ekstraksi ciri dalam pengenalan tulisan tangan dapat dibagi

menjadi berbagai metoda seperti contohnya statistic features, configuration features, skeleton features, boundary features, eliptic fourier descriptors, directional features, dan masih banyak metoda lain [2].

Maka pada Tugas Akhir ini akan dibuat sebuah sistem yang dapat membantu pengenalan pola tulisan tangan dengan menggunakan ekstraksi ciri skeleton features dan statistik features yang akan di validasi menggunakan JST (Jaringan Saraf Tiruan).

IAM Handwriting Database yang menjadi masukan dari simulasi pengenalan tulisan tangan pada Tugas Akhir ini memiliki banyak bentuk tulisan tangan yang berbeda - beda yang dipindai pada resolusi 300dpi dan disimpan

sebagai gambar PNG dengan 256 gray level [20]. Database ini terdiri dari kalimat

Bahasa Inggris yang berdasarkan atas Lancaster-Oslo/Bergen (LOB) corpus (sebuah koleksi jutaan kata dari tulisan Bahasa Inggris yang disusun pada tahun

BAB I PENDAHULUAN 2

UNIVERSITAS KRISTEN MARANATHA 1970)[18].

1. 2. Rumusan Masalah

Hal – hal yang menjadi permasalahan dalam Tugas Akhir ini adalah :

a. Bagaimana merancang sistem pengenalan tulisan tangan berbasis

ekstraksi ciri skeleton dan statistik ?

b. Bagaimana hasil pengenalan tulisan tangan berbasis ekstraksi ciri skeleton

dan statistik ?

1. 3. Tujuan

Tujuan dari Tugas Akhir ini adalah :

a. Merancang dan merealisasikan sistem pengenalan tulisan tangan berbasis

ekstraksi ciri skeleton dan statistik.

b. Menganalisa hasil pengenalan tulisan tangan berbasis ekstraksi ciri

skeleton dan statistik.

1.4. Batasan Masalah

Dalam penyusunan Tugas Akhir ini ada beberapa batasan yang ditetapkan yaitu :

a. Masukan dari proses pengenalan tulisan tangan berupa citra huruf yang

telah disegmentasi dari “a” sampai “z”, Huruf yang digunakan hanya

huruf kecil saja, dan tergantung pada ketersediaan huruf yang ada pada tiap form.

b. Data pelatihan dan data uji akan diambil dari 7 orang (setiap orang

menuliskan 1 form) yang berbeda. Citra huruf yang diambil berjumlah 342 citra, dengan 202 citra huruf untuk pelatihan dan 140 citra huruf untuk pengujian.

c. Tulisan yang diambil dari Database IAM dipilih secara subyektif dengan

BAB I PENDAHULUAN 3

UNIVERSITAS KRISTEN MARANATHA (kemiringan terhadap sumbu x) dengan ukuran dan bentuk yang bervariasi.

d. Tulisan terpisah tiap hurufnya ( bukan tulisan bersambung/cursive)

1.5. Sistematika Penulisan

Laporan Tugas Akhir ini disusun dengan sistematika sebagai berikut :  BAB I : Pendahuluan

Bab ini menjelaskan mengenai latar belakang masalah, rumusan masalah, tujuan dan sistematika penulisan dari Tugas Akhir ini.  BAB II : Landasan Teori

Bab ini menjelaskan tentang teori-teori penunjang tentang pengolahan citra digital, Optical Character Recognition, dan Jaringan Syaraf Tiruan.

 BAB III : Perancangan Perangkat Lunak

Bab ini berisi algoritma dan diagram alir pembuatan program pengenalan tulisan tangan secara keseluruhan.

 BAB IV : Data Pengamatan dan Analisis

Bab ini berisi data pengamatan yang diperoleh dari hasil uji coba dan juga analisis terhadap kebenaran dan akurasi hasil data.

 BAB V : Simpulan dan Saran

Bab ini berisi simpulan dan saran yang diambil setelah data pengamatan telah di analisis yang bertujuan untuk melakukan pengembangan terhadap Tugas Akhir selanjutnya.

BAB V SIMPULAN DAN SARAN

66 UNIVERSITAS KRISTEN MARANATHA

BAB V

SIMPULAN DAN SARAN

Bab ini berisi simpulan berdasarkan hasil penelitian dan analisis data dari

Tugas Akhir ini serta saran untuk pengembangan “Pengenalan Huruf Tulisan

Tangan Berbasis Ciri Skeleton dan Statistik Menggunakan Jaringan Saraf Tiruan”.

5. 1. Simpulan

Dari data hasil uji coba dan analisis yang dilakukan terkait dengan pelaksanaan Tugas Akhir, dapat diambil simpulan :

1. Proses pengenalan tulisan tangan dapat menghasilkan akurasi secara

keseluruhan sebesar 75%.

2. Thinning dengan algoritma Stentiford lebih baik akurasi pengenalannya jika dibandingkan dengan algoritma thinning Zhang-Suen.

3. Dalam pengenalan pola tulisan tangan masih sering tertukar dalam pengenalan

beberapa huruf, huruf “n” dan “h” maupun huruf “i” dan “l” dan beberapa

huruf lainnya masih sering tertukar.

4. Sulit mendapatkan akurasi yang baik jika huruf tulisan tangan tidak di latihkan

lalu dimasukkan dalam data uji. Tiap tiap orang memiliki karakter tulisan tangan nya masing masing.

5. 2. Saran

1. Untuk selanjutnya mungkin dapat digunakan ekstraksi ciri yang lebih tahan

terhadap variasi tulisan tangan manusia. Seperti boundary features, eliptic fourier descriptors, directional features, dan masih banyak ciri lainnya.

2. Untuk selanjutnya mungkin dapat menggunakan algoritma thinning yang lain

BAB V KESIMPULAN DAN SARAN

67 UNIVERSITAS KRISTEN MARANATHA

DAFTAR PUSTAKA

[1] Abandah, G. dan Jamour, F. 2010 . Recognizing Handwritten Arabic Script

Through Efficient Skeleton-Based Grapheme Segmentation Algorithm

[2] Abandah, G. dan Khedher , M. 2009. Analysis of Handwritten Arabic Letters

Using Selected Feature Extraction Techniques

[3] Abandah , G. dan Malas, T. 2010. Feature Selection for Recognizing

Handwritten Arabic Letters. Dirasat Eng

[4] Fausett Laurene. Fundamentals of Neural Networks. Prentice Hall

[5] Gonzales, R.C. dan Woods, R. E. 2002. Digital Image Processing. Prentice

Hall : New Jersey

[6] Gonzalez, R.C., Woods, R.E., dan Eddins, S.L. 2004. Digital Image

Processing Using MATLAB. Prentice Hall : Upper Saddle River. New Jersey

[7] Jain, K. Anil., Mao, Jianchang. dan Mohiuddin, K. M. 1996. Artificial Neural

Network: A Tutorial. IEEE

[8] Kong, T. Y. dan Rosenfeld, A. 1996. Topological Algorithms for Digital

Image Processing. Elsevier Science B. V. Amsterdam.Netherlands

[9] Mark,S.Nixon. dan Alberto, S. Aguado. 2002. Feature Extraction and Image

Processing. Newnes. Oxford. Great Britain

[10] Mohamed,Cheriet., Nawwaf, Kharma., Cheng-Lin, Liu. dan Ching, Y. Suen.

2007. Character Recognition Systems: A Guide for Students and Practioners. John Wiley & Sons Inc. HobBERHASILn. New Jersey

[11] N, Otsu. 1979. A Threshold Selection Method from Gray-Level Histograms.

IEEE

[12] Phukan, Abhishek. dan Borah, Mrinaljit. A Survey Paper on the Feature

Extraction Module of Offline Handwriting Character Recognition

[13] Prokop, R. J. dan Reeves, A. P. 1992. A Survey of Moment-Based Techniques

for Unoccluded Object Representation and Recognition.

[14] S, Haykin. 1994. Neural Networks: A Comprehensive Foundation.

MacMillan College Publishing Co. New York

[15] Siang, J.J. 2005. Jaringan Syaraf Tiruan & Pemrogrammannya

BAB V KESIMPULAN DAN SARAN 68

UNIVERSITAS KRISTEN MARANATHA

[16] Stentiford, F. W. M. dan Mortimer, R. G. 1983. Some new Heuristics for

Thinning Binary Handprinted Characters for OCR. IEEE.

[17] Zhang,T.Y. dan Suen, C. Y. 1984. A Fast Parallel Algorithm for Thinning

Digital Patterns. Communication of the ACM

[18] http://en.wikipedia.org/wiki/Lancaster-Oslo-Bergen_Corpus, diakses : Juli 2015

[19] http://intranet.mcad.edu/kb/should-i-work-rgb-or-cmyk-color-management-mcad, diakses : Juli 2015

[20] http://www.iam.unibe.ch/fki/databases/iam-handwriting-database/iam-handwriting-database, diakses : Maret 2015