Pengenalan Karakter Tulisan Tangan Angka dan Operator Matematika Berdasarkan Zernike Moments Menggunakan Support Vector Machine

Transkripsi

1 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Prnt) 1 Pengenalan Karakter Tulsan Tangan Angka dan Operator Matematka Berdasarkan Zernke Moments Menggunakan Support Vector Machne Ettyc Juharwdynngsh, Chastne Fatchah, dan Wjayant Nurul Khotmah Jurusan Teknk Informatka, Fakultas Teknolog Informas, Insttut Teknolog Sepuluh Nopember (ITS) Jl. Aref Rahman Hakm, Surabaya Indonesa emal: chastne@cs.ts.ac.d Abstrak Saat n banyak teknolog ctra dgtal yang berhubungan dengan pengenalan karakter tulsan tangan yang merupakan bagan dar pengenalan pola. Pengenalan tulsan tangan pentng untuk pengolahan nformas yang memungknkan proses pemndahan s dokumen tulsan tangan dar kertas ke dalam komputer. Artkel n mengembangkan metode pengenalan tulsan tangan angka dan operator matematka menggunakan metode klasfkas Support Vector Machne (SVM) berdasarkan ekstraks ftur Zernke Moments. Alasan menggunakan metode ekstraks ftur Zernke Moments karena mempunya kelebhan tdak berubah terhadap rotas, memlk tngkat senstf terhadap gangguan yang rendah, dan memlk sfat ortogonaltas. Dar hasl uj coba terhadap metode klasfkas tersebut dperoleh metode Support Vector Machne memlk tngkat akuras 97%. Kata Kunc Pengenalan Pola, Preproses, Support Vector Machne, Zernke Moments P I. PENDAHULUAN ERKEMBANGAN teknolog belakangan n telah banyak membantu dalam menngkatkan kualtas dan kesejahteraan hdup manusa. Serng dengan perkembangan tersebut, menghadrkan beberapa teknolog yang mampu dterapkan dalam kehdupan masyarakat luas untuk membantu dalam setap aktvtas manusa. Salah satunya yatu teknolog yang mampu mengolah ctra dgtal. Saat n teknolog tersebut tdak hanya untuk pengedtan ctra dgtal dengan menggunakan flter-flter efek yang ada. Banyak peneltan dlakukan terhadap objek berupa ctra, yang mana nformas atau knowledge yang ddapat dar ctra tersebut dapat memberkan kontrbus dan manfaat bag duna penddkan, novas teknolog, serta pengelolaan nformas. Teknolog n termasuk dalam teknolog Optcal Character Recognton (OCR). Saat n banyak dtawarkan dalam produk-produk scanner pada masa terkn. Selan pada produk scanner, teknolog OCR juga terdapat pada Handphone, Smart Phone, dan PDA (Personal Dgtal Assstant) yang sudah mengmplementaskan teknolog layar sentuh. Oleh karena tu, saat n dbutuhkan perkembangan teknk pengenalan pola dar sebuah ctra [1]. Pengenalan pola merupakan proses mengenal suatu objek secara ndependen atau berdasarkan kemrpan dengan datadata yang ada sebelumnya. Salah satu pengenalan pola yang umum dkenal orang adalah pengenalan karakter tulsan tangan. Pengenalan karakter tulsan tangan adalah pengenalan pola tulsan tangan sepert angka dan operator matematka. Permasalahan-permasalahan dalam pengenalan karakter tulsan tangan berasal dar bervarasnya cara penulsan. Untuk mengatas permasalahan tersebut maka dbutuhkan metode yang tepat agar bsa mengenal varas pola karakter tulsan tangan. Berbaga peneltan dalam pengenalan karakter tulsan tangan angka telah banyak dlakukan oleh para penelt. Kemudan banyak dkembangkan dengan bermacam-macam algortma untuk mendapatkan tngkat akuras yang tngg sehngga pola karakter tulsan tangan tersebut bsa dkenal. Namun mash jarang peneltan yang mengenal pola tulsan tangan operator matematka. Oleh karena tu dalam Artkel n akan dbahas juga pengenalan pola tulsan tangan operator matematka. Adapun peneltan yang terkat yatu pengenalan pola karakter tulsan tangan angka menggunakan metode ekstraks ftur Zernke Moments dan proses klasfkas menggunakan Fuzzy C-Means. Metode ekstraks ftur Zernke Moments dketahu memlk tngkat akuras yang tngg dalam melakukan ekstraks ftur bentuk [2]. Zernke Moments memlk kelebhan sfat ortogonaltas, tdak berubah terhadap rotas, dan memlk tngkat senstftas terhadap gangguan yang rendah. Peneltan lan yang terkat dengan Artkel n yatu pengenalan tulsan tangan angka dengan berbaga metode klasfkas, salah satunya yatu Support Vector Machne [3]. Berdasarkan beberapa peneltan sebelumnya, maka Artkel n mengembangkan metode pengenalan tulsan tangan berupa angka dan operator matematka pada ctra persamaan matematka untuk mendapatkan hasl persamaan menggunakan metode klasfkas Support Vector Machne (SVM) berdasarkan metode ekstraks ftur Zernke Moments. Dengan menggunakan metode ekstraks ftur dan metode klasfkas tersebut maka dharapkan dapat mengatas masalah dalam pengenalan karakter angka dan operator matematka tulsan tangan yang mempunya banyak varas sehngga memudahkan dalam melakukan perhtungan matematka.

2 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Prnt) 2 Gambar. 1. Dataset Pelathan II. METODOLOGI PENELITIAN Pada bagan n akan dbahas dataset yang dgunakan pada Artkel n. Terdapat dua tahapan pada pelaksanaan Artkel n yatu tahap pelathan dan pengujan. Tahap pelathan terdr dar empat bagan, yatu preproses ctra, ekstraks ftur zernke moments, normalsas data, dan klasfkas Support Vector Machne yang menghaslkan classfer. Untuk tahap pengujan terdapat proses pemsahan objek ctra, melakukan proses yang sama sepert proses pelathan, dan perhtungan matematka hasl klasfkas. A. Dataset Terdapat dua dataset yang dgunakan pada Tugas Akhr n yatu dataset pelathan dan pengujan. Dataset Pelathan Dataset pelathan merupakan dataset yang terdr dar tga rbu buah ctra htam puth. Dataset tersebut terdr dar lma belas jens ctra angka dan operator matematka. Masngmasng jens ctra angka dan operator matematka memlk dua ratus buah ctra. Ctra tersebut terdr dar angka 0 sampa 9, operator matematka penambahan, pengurangan, perkalan, pembagan, dan sama dengan. Untuk ctra angka berasal dar mnst dataset dengan alamat webste sedangkan ctra operator matematka dbuat sendr dengan menyamakan ukuran panjang dan lebar pada ctra angka. Dataset Pengujan Dataset pengujan merupakan dataset persamaan matematka yang berjumlah tga puluh buah ctra htam puth. Dataset tersebut dbuat sendr dengan ukuran yang tdak dtentukan. B. Preproses Preproses (Preprocessng) adalah proses pengolahan data asl sebelum data tersebut dolah menggunakan metode yang sudah dplh. Preproses ctra terdr dar tga tahapan, yatu proses perubahan ukuran ctra, operas morfolog, dan translas ctra. Perubahan Ukuran Ctra Proses perubahan ukuran ctra adalah proses mengubah ukuran ctra yang yang memberkan efek memperbesar dan memperkecl ukuran ctra [4]. Proses perubahan ukuran ctra pada Artkel n adalah mengubah ukuran ctra ke ukuran 20x20 pksel. Ukuran baru hasl perubahan ukuran ctra ddapat dengan memperhatkan raso ctra agar tdak Gambar. 2. Dataset Pengujan mengalam kerusakan pada ukuran ctra yang terlalu besar. Hasl proses perubahan ukuran ctra yatu ctra yang berukuran 20x20 pksel. Operas Morfolog Operas morfolog yang dgunakan pada Artkel n adalah dlas dan penpsan. Dlas dlakukan untuk memperbesar ukuran segmen objek dengan menambah lapsan d sekellng objek berdasarkan structure element yang dgunakan [5]. Structure element yang dgunakan yatu square dengan ukuran tga. Sedangkan penpsan merupakan salah satu proses pengolahan ctra yang dgunakan untuk mengurang ukuran dar suatu ctra dengan tetap mempertahankan nformas dan karakterstk pentng dar ctra tersebut [5]. Dengan adanya operas morfolog dharapkan mendapatkan ctra yang sama antara satu dengan yang lannya. Translas Ctra Proses translas ctra adalah proses memndahkan setap elemen pksel ctra masukan ke poss baru pada ctra keluaran dmana dmens dar kedua ctra (ctra masukan dan ctra keluaran) pada umumnya adalah sama [4]. Proses translas n memndahkan objek ctra d tengah-tengah ctra tersebut. Hasl proses translas ctra adalah ctra yang berukuran 28x28 pksel. C. Ekstraks Ftur Zernke Moments Ekstraks ftur Zernke Moments menghaslkan orde dan pengulangan dar suatu zernke radal polynomal dengan jumlah 47 [6]. Hasl ekstraks ftur bsa mendapatkan nformas-nformas pentng pada sebuah ctra, sehngga dapat membedakan ctra yang satu dengan ctra yang lannya. Fungs Zernke Moments yang menghaslkan 47 ftur dapat dhtung berdasarkan (1). n 1 N 1 N 1 f c r Rn m e c r (, ) ( ) 0 0 Z n m, N jm, (1) Zernke Moments adalah pemetaan ctra ke dalam kumpulan zernke polynomal. Zernke polynomal adalah kumpulan polnomal yang tegak lurus terhadap unt crcle. Karena zernke polynomal tegak lurus terhadap unt crcle, maka Zernke Moments memlk sfat ortogonaltas. Karena Zernke Moments memlk sfat ortogonaltas maka nformas ctra tdak redundan.

3 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Prnt) 3 D. Normalsas Data Gambar. 3. Gambaran Umum Proses Pelathan Normalsas data adalah proses penskalaan nla atrbut dar data sehngga bsa jatuh pada rentang tertentu. Normalsas data yang dgunakan pada Artkel n adalah normalsas MnMax [7]. Proses normalsas data n bertujuan untuk mendapatkan kesembangan rentang antar nla data. Data masukan pada proses n adalah data hasl ekstraks ftur. Dengan adanya normalsas data, ftur yang memlk nla domnan bsa datas sehngga semua ftur memlk pengaruh yang sama antara yang satu dengan yang lannya. E. Support Vector Machne Konsep Support Vector Machne (SVM) dapat djelaskan secara sederhana sebaga usaha mencar hyperplane terbak yang berfungs sebaga pemsah dua buah kelas pada nput space. Pattern yang palng dekat dsebut sebaga support vector [8]. Sehngga fungs keputusan dapat dhtung berdasarkan (2). ns f ( x ) sgn( y x x b) (2) d 1 Secara umum, kasus-kasus d duna nyata adalah kasus yang tdak lner. Permasalahan n dapat dselesakan dengan mentransformaskan data ke dalam dmens ruang ftur (feature space) yang lebh tngg sehngga dapat dpsahkan secara lnear pada feature space yang baru. Pada proses pelathan d Artkel n menghaslkan suatu model SVM yang dgunakan proses pengujan untuk mengklasfkas ctra yang baru. Dalam Artkel n dgunakan tpe kernel Radal Bass Functon (RBF). F. Pemsahan Objek Ctra Pemsahan objek ctra dlakukan saat proses pengujan saja. Proses n memsahkan masng-masng objek ctra pada suatu ctra persamaan matematka. Sehngga ddapatkan satu ctra hanya ada satu objek. d G. Perhtungan Matematka Proses perhtungan matematka dlakukan saat proses pengujan. Proses n dlakukan untuk menghtung hasl klasfkas suatu ctra persamaan matematka. Hasl dar perhtungan matematka merupakan suatu data keluaran. III. UJI COBA DAN ANALISIS HASIL A. Uj Coba Skenaro 1 Uj coba skenaro 1 yatu uj coba perbandngan akuras klasfkas SVM untuk proses perubahan ukuran ctra yang memperhatkan raso objek ctra dengan yang tdak memperhatkan raso objek ctra. Tujuan dlakukan uj coba n untuk mengetahu pengaruh raso pada proses perubahan ukuran ctra terhadap metode klasfkas SVM apabla memperhatkan nla raso objek ctra tertngg. Ctra masukan n mempunya jumlah jens ctra sebanyak lma belas. Tap jens ctra memlk tga puluh varas tulsan tangan. Sehngga total ctra ada 450. Ctra masukan untuk uj coba n bsa dsebut sebaga ctra angka dan operator matematka. Metode klasfkas SVM yang memperhatkan raso objek ctra pada perubahan ukuran ctra akan dhtung rata-rata akuras dan dbandngkan yang tdak memperhatkan raso objek ctra pada perubahan ukuran ctra. Dapat dsmpulkan bahwa proses perubahan ukuran ctra yang memperhatkan raso objek ctra pada metode klasfkas SVM mempunya nla akuras lebh tngg dbandngkan dengan tdak memperhatkan raso objek ctra. Rata-rata akuras dar SVM yang memperhatkan raso objek pada proses perubahan ukuran ctra yatu 97.33%, dtunjukkan pada Tabel 1. B. Uj Coba Skenaro 2 Gambar. 4. Gambaran Umum Proses Pengujan Uj coba skenaro 2 yatu uj coba perbandngan akuras metode klasfkas SVM pada data yang sudah dnormalsas dan yang tdak dnormalsas. Tujuan dlakukan uj coba n untuk mengetahu pengaruh normalsas data terhadap klasfkas SVM. Ctra masukan untuk uj coba n adalah ctra

4 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Prnt) 4 Tabel 1. Perbandngan Akuras Klasfkas SVM yang Memperhatkan Raso dan Tdak Memperhatkan Raso No. Metode Klasfkas Memaka Raso (%) Tdak Memaka Raso (%) 1. Support Vector Machne Tabel 2. Perbandngan Akuras Klasfkas SVM Pada Data Sudah dnormalsas dan Tdak dnormalsas Tdak Normalsas No. Metode Klasfkas Normalsas Data (%) Data 1. Support Vector Machne (a) (c) (e) Gambar 5. Ctra (a), (b), (c), (d), dan (e) adalah Ctra Persamaan Matematka Uj Coba Skenaro 4 angka dan operator matematka. Metode klasfkas SVM pada data yang sudah dnormalsas akan dhtung rata-rata akuras dan dbandngkan dengan data yang tdak dnormalsas. Dapat dsmpulkan bahwa metode klasfkas SVM pada data yang sudah dnormalsas mempunya nla akuras yang lebh tngg dbandngkan dengan data yang tdak dnormalsas. Rata-rata akuras dar SVM pada data yang sudah dnromalsas yatu 97.33% dtunjukkan pada Tabel 2. C. Uj Coba Skenaro 3 Uj coba skenaro 3 yatu uj coba hasl klasfkas SVM tap jens ctra tulsan tangan angka dan operator matematka. Tujuan dlakukan uj coba n untuk mengetahu nla akuras dar metode klasfkas SVM pada tap jens ctra tulsan tangan angka dan operator matematka. Ctra masukan untuk uj coba n adalah ctra angka dan operator matematka. Tap jens ctra n akan dhtung akurasnya dan dlakukan klasfkas SVM. Tabel 3 menamplkan hasl klasfkas untuk SVM. Untuk akuras yang palng tngg pada SVM ada pada angka 0, angka 1, angka 2, angka 8, angka 9, operator matematka penambahan, pengurangan, pembagan, perkalan, dan sama dengan. Dapat dsmpulkan bahwa metode SVM mempunya akuras yang tngg dalam mengklasfkaskan ctra tulsan tangan angka dan operator matematka. Rata-rata akuras dar SVM yatu 97.33%. D. Uj Coba Skenaro 4 Uj coba skenaro 4 yatu uj coba hasl klasfkas SVM pada ctra persamaan matematka. Tujuan dlakukan uj coba (b) (d) Tabel 3. Hasl Akuras Uj Coba Skenaro 3 Jens Ctra SVM Angka 0 100% Angka 1 100% Angka 2 100% Angka 3 90% Angka 4 97% Angka 5 93% Angka 6 90% Angka 7 90% Angka 8 100% Angka 9 100% + 100% - 100% = 100% / 100% * 100% Rata-rata Akuras 97.33% Tabel 4. Rncan Hasl Uj Coba Skenaro 4 Klasfkas SVM Nama Ctra Jumlah Klasfkas Berhasl Jumlah Seluruh Objek Ctra Ctra a 3 3 Ctra b 3 3 Ctra c 3 3 Ctra d 2 3 Ctra e 5 5 Rata-rata Akuras 94.12% 17 n untuk mengetahu nla akuras metode klasfkas SVM pada ctra persamaan matematka. Selan tu juga bsa membuktkan kebenaran pada uj coba skenaro 3. Ctra masukan pada uj coba skenaro 4 adalah ctra persamaan matematka dengan ukuran yang tdak dtentukan dengan jumlah tga puluh buah ctra. Jka dlhat pada Tabel 4 metode klasfkas SVM memlk akuras yang tngg dalam mengklasfkaskan ctra persamaan matematka. Untuk SVM nla akurasnya yatu 94.12%. Sudah djelaskan duj coba skenaro 3, jka metode klasfkas SVM merupakan metode yang bak dalam mengklasfkaskan ctra tulsan tangan angka dan operator matematka. Terbukt juga dalam uj coba skenaro 4, metode klasfkas SVM bsa bak dalam mengklasfkaskan ctra persamaan matematka. IV. KESIMPULAN/RINGKASAN 1. Proses perubahan ukuran ctra yang memperhatkan raso objek ctra menunjukkan hasl klasfkas Support Vector Machne yang lebh bak dbandngkan dengan proses perubahan ukuran ctra yang tdak memperhatkan raso objek ctra. 2. Penambahan proses normalsas data akan mampu menngkatkan nla akuras dalam mengklasfkaskan ctra tulsan tangan angka dan operator matematka.

5 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Prnt) 5 3. Algortma Support Vector Machne memlk tngkat akuras yang tngg dalam melakukan klasfkas ctra tulsan tangan angka dan operator matematka UCAPAN TERIMA KASIH Penuls E.J. mengucapkan terma kash kepada Allah SWT, kedua orang tua dan keluarga penuls, dosen pembmbng, kepala jurusan, dosen, dan staf Teknk Informatka, serta kerabat dekat dan phak yang telah membantu menyelesakan artkel n. DAFTAR PUSTAKA [1] P Yal Eke, "Fuzzy sets and models of decson makng," Computers & Mathematcs wth Applcatons, vol. 44, no. 7, pp , Oktober [2] Xao-Jun Tong, Shan Zeng, Nong Sang, and Lng-Hu Zeng, "Handwrtten Numeral Recognton Based on Fuzzy C-Means Algorthm," 2010 Nnth Internatonal Symposum on Dstrbuted Computng and Applcatons to Busness, Engneerng and Scence, [3] Mng Wu and Zheng Zhang, "Handwrtten Classfcaton usng the MNIST Data Set," The Mnst Database of Handwrtten Dgts. [4] Darma Putra, Pengolahan Ctra Dgtal. Yogyakarta, Jawa Tengah: And, [5] Batra Pratama Yudha, "Operas Morfolog pada Ctra Bner," IlmuKomputer.com, Feb [6] Amr Tahmasb, Fatemeh Sak, and Shahrar B Shokouh, "Classfcaton of bengn and malgnant masses based on Zernke moments," Computers n Bology and Medcne, pp , June [7] "Computatonal Statstcs & Data Analyss," The Offcal Journal of the Internatonal Assocaton for Statstcal Computng (IASC), vol. 177, p. 431, present. [8] V Kecman, Support Vector Machnes: Theory and Applcatons, Lpo Wang, Ed. Hedelberg, Netherrlands: Sprnger, 2005.