PENGENALAN HURUF TULISAN TANGAN MENGGUNAKAN METODE ZONING DAN SUPPORT VECTOR MACHINE

Transkripsi

1 PENGENALAN HURUF TULISAN TANGAN MENGGUNAKAN METODE ZONING DAN SUPPORT VECTOR MACHINE Christyawan Ridanto Pitoyo, Tjut Awaliyah Zuraiyah, Arie Qur ania christyawan.ridanto@gmail.com Program Studi Ilmu Komputer FMIPA Universitas Pakuan Bogor Abstrak Computer vision merupakan salah satu bagian ilmu komputer yang meniru cara kerja visual manusia sehingga komputer dapat mengenali objek. Proses pengenalan objek oleh komputer memerlukan proses tertentu salah satu contohnya adalah pengenalan huruf tulisan tangan menggunakan zoning sebagai metode ekstraksi ciri dan support vector machine sebagai metode klasifikasi. Metode zoning yang digunakan adalah Image Centroid Zone (ICZ), Zone Centroid Zone (ZCZ), dan gabungan ICZ & ZCZ dengan jumlah zona 8. Support Vector Machine yang digunakan adalah kernel Radial Basis Function (RBF). Tahapan penelitian yang dilakukan meliputi pengumpulan data, analisis, preprocessing, ekstraksi ciri, klasifikasi dan uji coba. Nilai akurasi tertinggi diperoleh menggunakan zoning gabungan ICZ & ZCZ untuk huruf kapital sebesar 88,46%, sedangkan untuk huruf kecil sebesar 76,92%. Untuk nilai akurasi tertinggi huruf kapital dengan kemiringan 10 o dan 20 o diperoleh menggunakan zoning ICZ sebesar 71,15%, sedangkan untuk nilai akurasi tertinggi huruf kecil dengan kemiringan diperoleh menggunakan zoning ICZ sebesar 76,92% untuk kemiringan 10 o dan 59,61% untuk kemiringan 20 o. Kata Kunci : Huruf, Pengenalan Pola, Support Vector Machine, Tulisan Tangan, Zoning Pendahuluan Kemajuan teknologi dalam bidang komputer merupakan salah satu perkembangan yang terjadi pada saat ini. Peran komputer sangat penting dalam kehidupan manusia untuk membantu dalam aktivitas sehari-hari. Pekerjaan manusia yang dahulu dikerjakan secara manual, saat ini dapat dikerjakan secara komputerisasi karena banyak dibantu dengan adanya komputer. Salah satu contoh kemajuan teknologi bidang komputer adalah computer vision. Computer vision dapat didefinisikan dengan pengertian pengolahan citra yang dikaitkan dengan akuisisi citra, pemrosesan, klasifikasi, penganan, dan pencakupan keseluruhan, pengambilan keputusan yang diikuti pengidentifikasian citra (Fadliansyah, 2007). Computer vision mencoba meniru cara kerja visual manusia. Pengembangan teknologi bidang computer vision salah satunya adalah bagaimana komputer dapat mengenali suatu objek yang terdapat pada citra. Secara kasat mata, penglihatan manusia dengan sangat mudah dapat mengenali objek tersebut, tetapi tidak dengan komputer yang memerlukan berbagai proses yang cukup kompleks untuk dapat mengenali objek pada citra. Tulisan tangan merupakan contoh objek pada citra yang sering dilihat oleh mata manusia. Tulisan tangan memiliki gaya dan bentuk untuk tiap individu. Oleh karena itu, sering kali terjadi perbedaan makna yang disebabkan oleh variasi dari berbagai penulisan tiap individu tersebut. Bagi manusia dapat dengan mudah untuk mengenali tulisan tangan dari individu lainnya, karena ketika melihat objek tulisan tangan tertentu secara otomatis akan langsung mencocokan dengan memori di otak. Berbeda halnya dengan komputer, untuk dapat mengenali tulisan tangan program komputer memerlukan data yang mewakili objek dalam tulisan 1

2 tangan tersebut yang berupa data digital. Data digital tersebut diproses, sehingga dapat mengenali tulisan tangan manusia tersebut. Penelitian terdahulu telah banyak dilakukan antara lain penelitian dengan objek penelitian aksara jawa tulisan tangan menggunakan metode ekstraksi ciri zoning mendapatkan nilai akurasi sebesar 71,5 % (Syam, 2011) dan penelitian dengan objek penelitian tulisan tangan menggunakan metode support vector machine mendapatkan hasil ratarata akurasi sebesar 96,54% (Arridho, 2013). Penelitian mengenai perbandingan algoritma klasifikasi antara algoritma Naive Bayes (NB), Support Vector Machine (SVM) dan Artifical Neural Network (ANN) mendapatkan nilai akurasi sebesar 74 % untuk ANN, 81,10% untuk SVM, dan 51,80% untuk ANN (Chandani & Wahono, 2015). Penelitian ini bertujuan untuk membuat aplikasi Pengenalan Tulisan Tangan Menggunakan Metode Zoning dan Support Vector Machine. Tinjauan Pustaka Pengenalan Pola Pengenalan pola terbagi menjadi 3 tahapan yaitu pemrosesan awal, ekstraksi fitur dan klasifikasi atau pengenalan. Pemrosesan awal merupakan tahapan pertama yang dilakukan untuk menyeragamkan citra masukan agar siap untuk dilakukan ekstraksi fitur. Pada tahap pengolahan awal biasanya dilakukan cropping, penghilangan noise dan resize citra. Ekstraksi fitur dilakukan bertujuan untuk mendapatkan ciri khas dari suatu citra. Ekstraksi fitur dapat dilakukan dengan mentransformasikan citra menjadi sebuah array atau memberikan tandatanda khusus yang mencerminkan ciri dari suatu citra. Pengenalan atau klasifikasi bertujuan untuk mengenali atau mengklasifikasi citra tertentu ke dalam suatu kelas (Aryantio & Munir, 2015). Ektraksi Ciri Zoning Zoning merupakan salah satu metode ekstraksi ciri pada citra karakter. Secara umum, dengan metode ekstraksi ciri zoning citra akan dibagi menjadi beberapa zona yang berukuran sama, untuk kemudian dari setiap zona akan diambil cirinya (Syam, 2013). Seperti yang disebutkan dalam penelitian yang dilakukan oleh Rajashekararadhya dan Ranjan (2008), ada beberapa variasi algoritma dalam metode ekstrasi ciri zoning, yaitu metode ekstraksi ciri ICZ (image centroid and zone), metode ekstraksi ciri ZCZ (zone centroid and zone), dan metode ekstraksi ciri gabungan dari ICZ + ZCZ. Langkah-langkah pengerjaan dari tiap metode tersebut adalah sebagai berikut : 1. Metode ICZ a. Hitung centroid (pusat) dari citra masukan, centroid dari citra dinyataka dengan nilai koordinat (x c, y c ), dengan rumus : x c = x 1.p 1 + x 2.p x n.p n..(1) p 1 +p p n y c = y 1.p 1 + y 2.p y n.p n p 1 +p p n...(2) Dengan x c adalah centroid koordinat x, y c adalah centroid koordinat y, x n adalah koordinat x dari piksel ke-n, y n adalah koordinat y dari piksel ke- n, dan p n adalah nilai piksel ke- n. b. Bagi citra masukan menjadi n zona yang sama. c. Hitung jarak antara centroid citra dengan koordinat setiap piksel yang memiliki nilai 1 yang terdapat dalam masing-masing zona. d(p, C) = (x p x c ) 2 + (y p y c ) 2 )..(3) Dimana d adalah jarak antara dua titik, P adalah koordinat titik berat, C adalah koordinat piksel, x p adalah koordinat x titik berat, y p adalah koordinat y titik berat, x c adalah koordinat x piksel, dan y c adalah koordinat y piksel. 2

3 d. Ulangi langkah c untuk semua piksel yang ada dalam zona. e. Hitung jarak rata-rata antara titiktitik tersebut dengan rumus : Ratajarak n = 1. (total jarak)..(4) Σjarak f. Ulangi langkah c-e untuk semua zona secara berurutan. g. Akan didapatkan n ciri untuk klasifikasi dan pengenalan 2. Metode ZCZ a. Bagi citra masukan menjadi n zona yang sama. b. Hitung centroid tiap zona dengan persamaan (1) dan (2). c. Hitung jarak antara centroid zona dengan setiap piksel yang ada dalam zona dengan persamaan (3). d. Ulangi langkah c untuk semua piksel yang ada dalam zona. e. Hitung jarak rata-rata antara titiktitik tersebut dengan persamaan (4). f. Ulangi langkah c-e untuk semua zona secara berurutan. g. Akan didapatkan n ciri untuk klasifikasi dan pengenalan. 3. Metode gabungan (ICZ dan ZCZ) a. Hitung centroid dari citra masukan dengan persamaan (1) dan (2). b. Bagi citra masukan menjadi n zona yang sama. c. Hitung jarak antara centroid citra dengan koordinat setiap piksel yang memiliki nilai 1 yang terdapat dalam masing-masing zona dengan persamaan (3). d. Ulangi langkah c untuk semua piksel yang ada dalam zona. e. Hitung jarak rata-rata antara titiktitik tersebut dengan persamaan (4). f. Hitung centroid tiap zona dengan persamaan (1) dan (2). g. Hitung jarak antara centroid zona dengan setiap piksel yang ada dalam zona dengan persamaan (3). h. Ulangi langkah g untuk semua piksel yang ada dalam zona. i. Hitung jarak rata-rata antara titiktitik tersebut dengan persamaan (4). j. Ulangi langkah c-i secara berurutan. k. Akan didapatkan 2n ciri untuk klasifikasi dan pengenalan. Support Vector Machine Support Vector Machine pertama kali diperkenalkan oleh Vladimir Vanpik pada tahun 1992 sebagai rangkaian harmonisasi konsep-konsep unggulan dalam bidang pengenalan pola. Support Vector Machine merupakan metode pembelajaran yang digunakan untuk klasifikasi biner, ide dasarnya adalah mencari hyperplane terbaik yang berfungsi sebagai pemisah dua class pada input space. Gambar 1. Hyperplane terbaik SVM untuk memisahkan class -1 dan +1 Gambar 1 memperlihatkan beberapa pattern yang merupakan anggota dari dua buah class : +1 dan -1. Pattern yang tergabung pada class -1 disimbolkan dengan warna merah (kotak), sedangkan pattern pada class +1, disimbolkan dengan warna kuning (lingkaran). Problem klasifikasi dapat diterjemahkan dengan usaha menemukan garis (hyperplane) yang memisahkan antara kedua kelompok tersebut. Hyperplane pemisah terbaik antara kedua class dapat ditemukan dengan mengukur margin hyperplane tersebut dan mencari titik maksimalnya. Margin adalah jarak antara hyperplane tersebut dengan pattern terdekat dari masing-masing class. Pattern yang paling dekat ini disebut sebagai support vector. 3

4 Data yang tersedia dinotasikan sebagai xi ϵ R n, sedangkan label masing-masing dinotasikan yi ϵ {-1,+1} untuk i = 1,2,.,l, yang mana l adalah banyaknya data (Nugroho et al., 2013). SVM dirancang tidak hanya untuk dapat menyelesaikan permasalahan linear, tetapi juga permasalahan non-linear. Dalam non-linear SVM, data x dipetakan oleh fungsi Φ (x ) ke ruang vektor yang berdimensi lebih tinggi. Pada ruang vektor yang baru ini, hyperplane yang memisahkan kedua class tersebut dapat dikonstruksikan. Fungsi yang memetakan suatu permasalahan non-linear ke dalam ruang ciri yang lebih tinggi disebut dengan fungsi kernel, K(x i, x j). Beberapa kernel yang biasa digunakan dalam SVM, yaitu : 1. Polynomial K(x i, x j ) = (x i. x j + 1) p.(5) 2. Gaussian atau Radial Basis Function (RBF) x j 2 K(x i, x j ) = exp( x i )..(6) 2σ 2 3. Tanget Hyperbolic (Sigmoid) K(x i, x j ) = tanh (αx i. x j + β) (7) Confusion Matrix Confusion matrix adalah alat yang berguna menganalisis seberapa baik classifier mengenali data dari kelas yang berbeda. True Positive (TP) dan True Negative (TN) memberikan informasi ketika classifier benar, sedangkan False Positive (FP) dan False Negative (FN) memberitahu ketika classifier salah. (Han et al., 2012). Tabel ringkasan confusion matrix ditunjukkan pada Tabel 1. Tabel 1. Ringkasan Confusion Matrix Predicted Yes No Yes TP FN Actual No FP TN Accuracy = TP+TN TP+FP+TN+FN x100 (8) menggunakan metode zoning dan support vector machine dapat dilihat pada Gambar 2. Data Latih Pengumpulan Data Analisis Preprocessing Klasifikasi Uji Coba Data Uji Gambar 2. Tahapan Penelitian Perancangan dan Implementasi Tahap Pengumpulan Data Data yang digunakan dalam penelitian ini didapat dari pengisian formulir oleh 8 orang responden yang berbeda. Formulir yang digunakan menggunakan kertas A4 80 gram berwarna putih. Responden menuliskan 26 karakter huruf kapital dan 26 karakter huruf kecil menggunakan spidol kecil berwarna hitam. Formulir pengambilan data dapat dilihat pada Lampiran. Tahap Analisis Tahap analisis dilakukan untuk mempelajari tahapan-tahapan yang akan dilakukan dalam proses pembuatan aplikasi. Alur pembuatan aplikasi pengenalan huruf tulisan tangan ditunjukkan pada Gambar 3. Start Citra huruf tulisan tangan (*.jpg) Ekstraksi ciri menggunakan Zoning (ICZ, ZCZ, dan gabungan) Hasil ekstraksi ciri Ubah citra menjadi citra biner (binerisasi) dan dikomplemenkan Proses thinning citra Proses pengenalan huruf menggunakan SVM Citra biner (0,1) Citra biner (32x32 piksel) Hasil pengenalan huruf Potong bagian citra yang tidak dibutuhkan (cropping) Ubah ukuran citra hasil cropping menjadi 32x32 piksel (resize) Gambar 3. Diagram Alur Kerja Sistem End Metode Penelitian Tahapan penelitian untuk melakukan pengenalan tulisan tangan 4

5 Tahap Preprocessing Pada tahap preprocessing, dilakukan proses binerisasi yaitu mengubah citra menjadi citra biner, sehingga citra hanya mempunyai nilai piksel 1 dan 0. Citra binerisasi dikomplemenkan sehingga akan didapat bagian karakter bernilai piksel 1 dan bagian background bernilai piksel 0. Setelah menjadi citra biner, citra akan di potong (crop) untuk mengambil bagian karakter. Karena bagian karakter tersebut yang akan diproses. Setelah mendapatkan citra baru hasil cropping, maka citra akan diseragamkan dengan ukuran citra sebesar 32x32 piksel. Lalu dilakukan proses thinning untuk mendapatkan kerangkan inti dari citra karakter tersebut. Perbandingan antara citra sebelum dilakukan preprocessing, binerisasi dan dikomplemenkan, cropping, resize dan thinning ditunjukkan pada Gambar 4. (a) (b) (e) (c) (d) Gambar 4. Preprocessing Citra : (a). Citra Asli sebelum dilakukan preprocessing, (b) Citra setelah dilakukan binerisasi dan dikomplemenkan, (c). Citra setelah dilakukan cropping, (d). Citra setelah di resize menjadi ukuran 32 x 32 piksel, (e). Citra setelah dilakukan thinning Ekstrasi Ciri Zoning 1. Image Centroid and Zone (ICZ) a. Menghitung Centroid Citra Nilai centroid (pusat) citra didapat dari hasil perkalian antara koordinat titik dengan jumlah piksel dibagi dengan jumlah piksel keseluruhan citra seperti pada persamaan 1. Nilai centroid citra terdiri dari koordinat x dan koordinat y. b. Membagi Citra Menjadi Zona yang Sama Dalam penelitian ini citra dibagi menjadi 8 zona dengan masing-masing zona berukuran 8x16 piksel. c. Menghitung Jarak Centroid dengan Koordinat Bernilai Piksel 1 Pada setiap zona dihitung jarak antara centroid citra yang sudah didapat dengan koordinat yang mempunyai nilai pikel 1 menggunakan persamaan 3. d. Menghitung Jarak Rata-Rata Setiap Zona Rata rata jarak setiap zona didapatkan dari hasil pembagian antara jumlah nilai jarak pada zona tersebut dengan jumlah koordinat piksel bernilai 1 pada zona tersebut. 2. Zone Centroid and Zone (ZCZ) a. Membagi Citra Menjadi Zona yang Sama Dalam penelitian ini citra dibagi menjadi 8 zona dengan masing-masing zona berukuran 8x16 piksel. b. Menghitung Centroid Citra Pada Setiap Zona Nilai centroid citra terdiri dari koordinat x dan koordinat y. c. Menghitung Jarak Centroid Zona dengan Koordinat Bernilai Piksel 1 Pada setiap zona dihitung jarak antara centroid zona yang sudah didapat dengan koordinat yang mempunyai nilai pikel 1 pada zona tersebut menggunakan persamaan 3. d. Menghitung Jarak Rata-Rata Setiap Zona Rata rata jarak setiap zona didapatkan dari hasil pembagian antara jumlah nilai jarak pada zona tersebut dengan jumlah koordinat piksel bernilai 1 pada zona tersebut. Dari hasil rata-rata 8 zona tersebut maka didapatkan 8 nilai ciri dari karakter yang diekstraksi, dimana nilai ciri tersebut akan digunakan sebagai data pelatihan atau data pengujian. 5

6 3. Gabungan ICZ dan ZCZ Tahapan yang dilakukan merupakan gabungan metode zoning ICZ dan ZCZ sehingga nilai ciri yang dihasilkan menggunakan metode gabungan ini sebanyak 2 kali lipat zona yang digunakan, karena zona yang digunakan sebanyak 8 zona, maka nilai ciri yang dihasilkan sebanyak 16 nilai ciri. Pelatihan Support Vector Machine (SVM) Tahap pelatihan menggunakan citra yang sudah di ambil dari hasil scan huruf berbentuk *.jpg. Citra tersebut dilakukan preprocessing yaitu dengan mengubah citra menjadi citra biner (0,1) lalu dikomplemenkan, citra di potong dan di ambil bagian karakternya, setelah itu ukuran piksel citra dirubah menjadi 32 x 32 piksel, selanjutnya dilakukan proses thinning untuk mendapatkan kerangka inti dari citra tersebut. Setelah dilakukan preprocessing, dilakukan ektraksi ciri menggunakan metode zoning dan menghasilkan matrik 1 x 8 yang berasal dari hasil rata-rata tiap zona, yang disimpan dalam bentuk *.mat. Citra yang digunakan menjadi data pelatihan pada huruf kapital berjumlah 312 yaitu A_b1.jpg-Z_b1.jpg sampai A_b12.jpg- Z_b12.jpg. Sedangkan pada huruf kecil berjumlah 312 yaitu a_k1.jpg-z_k1.jpg sampai a_k12.jpg-z_k12.jpg. Pengujian Support Vector Machine (SVM) Tahap pengujian merupakan tahap dilakukan pengujian citra yang telah terlebih dahulu melalui tahap pelatihan, sehingga didapatkan hasil untuk pengenalan huruf tersebut. Citra yang digunakan untuk data pengujian pada huruf besar berjumlah 52 yaitu A_b13.jpg, A_b14.jpg sampai Z_b13.jpg, Z_b14.jpg. Sedangkan pada huruf kecil berjumlah 52 yaitu a_k13.jpg, a_k14.jpg sampai z_k13.jpg, z_k14.jpg. Perancangan Secara Umum Struktur Navigasi Struktur navigasi digunakan untuk menggambarkan secara garis besar isi dari seluruh halaman serta hubungan antara halaman tersebut. Diagram struktur navigasi aplikasi pengenalan huruf tulisan tangan dapat dilihat pada Gambar 5. Pengenalan Huruf Huruf Kapital Huruf Kecil Menu Utama Pengenalan Huruf dengan Huruf Kapital dengan Keluar Huruf Kecil dengan Gambar 5. Struktur Navigasi Flowchart Sistem Flowchart sistem berguna untuk melihat jalannya proses-proses yang terjadi dalam sistem secara keseluruhan. Flowchart sistem aplikasi pengenalan huruf tulisan tangan ini dapat dilihat pada Gambar 6. Pengenalan Huruf 1. Huruf Kapital 2. Huruf Kecil Huruf Kapital Huruf Kecil Start Menu Utama 1. Pengenalan Huruf 2. Pengenalan Huruf dengan 2. Keluar Pengenalan Huruf dengan 1. Huruf Kapital dengan 2. Huruf Kecil dengan Huruf Kapital dengan Huruf Kecil dengan Gambar 6. Flowchart Sistem Keluar Perancangan Secara Detail Rancangan Form Utama Form utama merupakan form pertama yang muncul ketika pertama kali menjalankan aplikasi ini. Pada form utama terdapat 2 menu utama yaitu menu pengenalan huruf dan keluar. Menu pengenalan huruf memiliki 2 sub menu yaitu menu huruf kapital dan menu huruf kecil. Rancangan form utama dapat dilihat pada Gambar 7. End 6

7 Pengenalan Huruf Pengenalan Huruf dengan Keluar PENGENALAN TULISAN TANGAN MENGGUNAKAN METODE ZONING DAN SUPPORT VECTOR MACHINE Tahap Implementasi Implementasi Aplikasi Implementasi pembuatan aplikasi ini menggunakan MATLAB R2014a. CHRISTYAWAN RIDANTO PITOYO PROGRAM STUDI ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PAKUAN BOGOR 2016 Gambar 7. Rancangan Form Utama Rancangan Form Pengenalan Huruf Kapital Form pengenalan huruf kapital adalah form yang berfungsi untuk melakukan proses pengenalan huruf kapital. Rancangan form pengenalan huruf kapital dapat dilihat pada Gambar 8. Hasil Form utama dapat dilihat pada Gambar 10. Tampilan sub menu pengenalan huruf biasa untuk huruf kapital dapat dilihat pada Gambar 11. Sedangkan untuk sub menu pengenalan huruf kapital dengan kemiringan dapat dilihat pada Gambar 12. Pengenalan Huruf Pengenalan Huruf dengan Keluar PENGENALAN TULISAN TANGAN HURUF KAPITAL Citra Hasil Image Centroid and Zone (ICZ) Gambar 10. Tampilan Form Utama Zone Centroid and Zone (ZCZ) Gabungan ICZ & ZCZ Gambar 8. Rancangan Form Pengenalan Huruf Kapital Rancangan Form Pengenalan Huruf Kapital dengan Form pengenalan huruf kapital rotasi adalah form yang berfungsi untuk melakukan proses pengenalan huruf kapital dengan tingkat kemiringan 10 o dan 20 o. Rancangan form pengenalan huruf kapital dengan kemiringan dapat dilihat pada Gambar 9. Gambar 11. Tampilan Pengenalan Tulisan Tangan Huruf Kapital Biasa Pengenalan Huruf Pengenalan Huruf dengan Keluar Pengenalan Tulisan Tangan Huruf Kapital dengan 10 derajat 20 derajat Citra Hasil Image Centroid and Zone (ICZ) Zone Centroid and Zone (ZCZ) Gabungan ICZ & ZCZ Gambar 9. Rancangan Form Pengenalan Huruf Kapital dengan Gambar 12. Tampilan Pengenalan Tulisan Tangan Huruf Kecil dengan Zoning Citra akan melalui tahap ekstraksi ciri zoning untuk mendapatkan nilai ciri dari sebuah karakter. 7

8 Ekstraksi ciri zoning akan menghasilkan vektor 1 x 8 untuk setiap karakter, sehingga diperoleh vektor 156 x 8 untuk data pelatihan dan vektor 1 x 8 untuk data pengujian dan disimpan dalam bentuk *.mat. Klasifikasi Support Vector Machine Proses klasifikasi karakter dilakukan dengan membandingkan data yang akan diuji dengan data pelatihan sebelumnya. Pembahasan Pada penelitian ini citra diperoleh dari tulisan tangan 8 orang responden. Data yang digunakan sebanyak 728 data yang dibagi menjadi data pelatihan dan data pengujian. Data pelatihan sebanyak 624 data (312 data huruf kapital dan 312 data huruf kecil). Data pengujian sebanyak 104 data (52 data huruf kapital dan 52 data huruf kecil). Metode Zoning digunakan sebagai metode ekstraksi ciri dan metode Support Vector Machine digunakan sebagai klasifikasi. Hasil uji coba validasi pada pengenalan huruf kapital diperoleh tingkat akurasi sebesar 84,62% dengan menggunakan ekstraksi ciri zoning ICZ, 69,23% dengan menggunakan ekstraksi ciri zoning ZCZ, dan 88,46% dengan menggunakan ekstraksi ciri zoning gabungan ICZ dan ZCZ. Sedangkan pada pengenalan huruf kecil diperoleh tingkat akurasi sebesar 75% dengan menggunakan ekstraksi ciri zoning ICZ, 65,38% dengan menggunakan ekstraksi ciri zoning ZCZ, dan 76,92% dengan mengunakan ekstraksi ciri zoning gabungan ICZ dan ZCZ. Uji coba juga dilakukan dengan merubah tingkat kemiringan citra sebesar 10 o dan 20 o dari citra normal. Uji Coba Struktural Uji coba struktural dilakukan untuk memastikan apakah aplikasi terstruktur dengan baik atau tidak, dengan menguji setiap form yang telah dirancang dengan menjalankan form pada aplikasi. Hasil uji coba struktural dapat dilihat pada Tabel 2. Tabel 2.Uji Coba Struktural No Struktur/Alur Hasil 1 Form Utama Pengenalan Sesuai Huruf Pengenalan Huruf Kapital 2 Form Utama Pengenalan Sesuai Huruf Pengenalan Huruf Kecil 3 Form Utama Pengenalan Huruf dengan Sesuai Pengenalan Huruf Kapital dengan Ambil Gambar Pilih Tingkat 4 Form Utama Pengenalan Huruf dengan Sesuai Pengenalan Huruf Kecill dengan Ambil Gambar Pilih Tingkat Uji Coba Fungsional Uji coba fungsional dilakukan untuk mengetahui apakah bagian-bagian pada aplikasi berjalan sesuai fungsi masing-masing atau tidak. Hasil uji coba fungsional dapat dilihat pada Tabel 3. Tabel 3. Uji Coba Fungsional No Form Fungsional Keterangan 1 Form Utama Menampilkan menu sesuai yang dipilih Form Pengenalan Mengambil citra Tulisan Tangan Mengekstrasi ciri citra Huruf Kapital Melakukan pengujian karakter 2 Form Pengenalan Mengambil citra Tulisan Tangan Mengekstrasi ciri citra Huruf Kecil Melakukan pengujian karakter 3 Form Pengenalan Mengambil citra Tulisan Tangan Melakukan kemiringan citra Huruf Kapital dengan Mengekstrasi ciri citra Melakukan pengujian karakter 4 Form Pengenalan Mengambil citra Tulisan Tangan Melakukan kemiringan citra Huruf Kecil dengan Mengekstrasi ciri citra Melakukan pengujian karakter 8

9 Uji Coba Validasi Uji coba validasi dilakukan dengan cara membandingkan hasil data pelatihan dengan data pengujian. Untuk menghitung tingkat akurasi pengujian, menggunakan persamaan 8. Tabel 4. Hasil Akurasi Huruf Kapital Normal 10 o 20 o Zoning (0 o ) ICZ 84,62% 71,15% 71,15% ZCZ 69,23% 57,69% 46,15% Gabungan ICZ & ZCZ 88,46% 69,23% 59,61% Tabel 5. Hasil Akurasi Huruf Kecil Normal 10 o 20 o Zoning (0 o ) ICZ 71,15% 76,92% 59,61% ZCZ 65,38% 51,92% 34,62% Gabungan ICZ & ZCZ 76,92% 67,31% 42,31% Analisa Kesalahan Beberapa faktor yang menyebabkan akurasi yang diperoleh tidak terlalu tinggi antara lain : 1. Citra huruf tulisan tangan lebih bervariasi dibandingkan dengan citra huruf cetak (printed) karena setiap orang memiliki gaya penulisan yang berbeda. 2. Berdasarkan tabel confusion matrix, beberapa karakter yang diuji terklasifikasi ke dalam karakter yang tidak sesuai dengan kelas aslinya, hal tersebut disebabkan karena karakter tersebut memiliki bentuk yang mirip dengan karakter lainnya, seperti : a. O mirip dengan D b. G mirip dengan C c. Q mirip dengan O d. i mirip dengan l e. q mirip dengan a f. p mirip dengan f Kesimpulan Uji coba pengujian pengenalan karakter untuk huruf kapital menggunakan zoning ICZ sebesar 84,62%, ZCZ sebesar 69,23 %, dan gabungan sebesar 88,46%. Sedangkan untuk pengenalan karakter huruf kecil menggunakan zoning ICZ sebesar 71,15%, ZCZ sebesar 65,38%, dan gabungan sebesar 76,92%. Penelitian ini menghasilkan untuk pengenalan tulisan tangan huruf kapital dan pengenalan tulisan tangan huruf kecil tingkat akurasi yang lebih tinggi menggunakan metode zoning gabungan ICZ dan ZCZ. Saran Aplikasi pengenalan huruf tulisan tangan ini dapat dikembangkan dengan menambah jumlah data latih untuk mendapatkan tingkat akurasi yang lebih tinggi. Selain itu, dapat menggunakan metode ekstraksi ciri yang lain seperti Principal Component Analysis, Fuzzy Feature Extraction dan sebagainya atau metode klasifikasi yang lain seperti K- Nearest Neighbour, Backpropagation Neural Network dan sebagainya. Selain itu juga dapat dikembangkan dengan berbasis mobile, agar proses pengambilan citra huruf bisa dilakukan secara real time. Daftar Pustaka Arridho et al Analisis Pen Pressure Tulisan Tangan Untuk Mengidentifikasi Kepribadian Seseorang Menggunakan Support Vector Machine (SVM). Universitas Diponegoro. Semarang. Aryantio, A & Munir, R Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan. Konferensi Nasional Informatika. Chandani, V & Wahono, R.S Komparasi Algoritma Klasifikasi Machine Learning dan Feature Selection pada Analisis Sentimen Review Film. Journal of Intelligent System. Vol. 1. No. 1. Fadliansyah Computer Vision dan Pengolahan Citra. ANDI. Yogyakarta. Han et al Data Mining Concepts and Techniques Third Edition. 9

10 Morgan Kaufmann Publisher. United States of America. Mulia, I Pengenalan Aksara Sunda Menggunakan Zoning dan Klasifikasi Support Vector Machine. Skripsi. Institut Pertanian Bogor. Bogor. Munir, R Pengolahan Citra Digital dengan Pendekatan Algoritmik. Informatika. Bandung. Nugroho et al Suport Vector Machine Teori dan Aplikasinya dalam Bioinformatika. IlmuKomputer.Com. Rajashekararadhya, S.V. & Ranjan, Dr. P. V Eficient Zone Based Feature Extraction Algorithm For Handwritten Numeral Recognition Of Four Popular South Indian Scripts. Journal of Theoretical and Applied Information Tehnology. Surya, F.H Pengenalan Tulisan Tangan Huruf Jawi (Arab Melayu) Menggunakan Jaringan Saraf Tiruan Backpropagation. Stmik Budi Darma. Medan Syam, R.M Pengenalan Aksara Jawa Tulisan Tangan dengan Menggunakan Ektraksi Fitur Zoning dan Klasifikasi K-Nearest Neighbour. Skripsi. Institut Pertanian Bogor. Bogor. Yudha, Ancemona AS Pengenalan Huruf Tulisan Tangan Menggunakan Fuzzy Feature Extraction dengan Pendekatan Radial Basis Function Neural Network. Skripsi. Universitas Bengkulu. Bengkulu. 10