BAB 2 LANDASAN TEORI

Transkripsi

1 BAB 2 LANDASAN TEORI 2.1. Aksara Batak Aksara adalah suatu sistem simbol visual yang tertera pada kertas maupun media lainnya (batu, kayu, kain, dll) untuk mengungkapkan unsur-unsur yang ekspresif dalam suatu bahasa. Istilah lain untuk menyebut aksara adalah sistem tulisan. Surat Batak adalah nama aksara yang digunakan untuk menuliskan bahasa Batak (Kertasari, 2000). Aksara Batak yang memiliki keunikan tersendiri dimana aksaranya semi silabis yang terdiri atas 19 huruf (ina ni surat) Ina ni surat Ina ni surat (ina = ibu) terdiri dari huruf-huruf silabik dasar yang diakhiri bunyi /a/ (kecuali untuk huruf i dan u) seperti yang ditunjukkan tabel 2.1. Tabel 2.1 Huruf-Huruf Ina Ni Surat Dan Variannya (Kozok, 2009; Simatupang, 2006) Gambar 2.1. Huruf-Huruf Ina Ni Surat (Font Tradisional) 2.2. Citra Munir (2004) berpendapat bahwa citra (image) merupakan gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang dwimatra. Sumber

2 6 cahaya menerangi objek, objek kembali memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh alat-alat optik, misalnya mata pada manusia, kamera, pemindai (scanner) dan sebagainya, sehingga bayangan objek yang disebut citra tersebut terekam. Citra digital merupakan suatu fungsi intensitas cahaya dua dimensi f(x,y), dimana x dan y menunjukkan koordinat spasial. Nilai f pada setiap titik (x,y) menunjukkan tingkat kecerahan citra pada titik tersebut (Gonzales & Woods 2002). Citra digital dapat berupa citra dalam skala keabuan (grayscale) ataupun citra berwarna (color). Citra digital dapat diklasifikasikan menjadi beberapa jenis: 1. Citra Biner Citra biner (binary image) adalah citra yang hanya mempunyai dua nilai derajat keabuan: hitam dan putih. Piksel-piksel objek bernilai 1 dan pikselpiksel latar belakang bernilai 0. Pada waktu menampilkan citra, 0 adalah warna putih dan 1 adalah warna hitam. Untuk mengubah citra grayscale menjadi citra biner, proses yang dilakukan adalah mengubah kuantisasi citra dengan cara pengambangan secara global (global image thresholding). Setiap piksel di dalam citra dipetakan ke dalam dua nilai, 1 atau 0. Dengan fungsi pengambangan: 2. Citra Keabuan (Grayscale) Citra keabuan adalah citra yang setiap pikselnya mengandung satu layer di mana nilai intensitasnya berada pada interval 0 (hitam) 255 (putih). Untuk menghitung citra grayscale (keabuan) digunakan rumus: dengan I(x,y) adalah level keabuan pada suatu koordinat yang diperoleh dengan mengatur warna R (merah), G (hijau), B (biru) yang ditunjukkan oleh nilai parameter α, β dan γ. Secara umum nilai α, β dan γ adalah 0.33.

3 7 Nilai yang lain juga dapat diberikan untuk ketiga parameter tersbut asalkan total keseluruhannya adalah 1 (Putra, 2009). 3. Citra Warna Citra warna adalah citra digital yang memiliki informasi warna pada setiap pikselnya.sistem pewarnaan citra warna ada beberapa macam seperti RGB, CMYK, HSV, dll Pengolahan Citra (Image Processing) Pengolahan citra adalah setiap bentuk pengolahan sinyal dimana input adalah gambar, seperti foto atau video bingkai, sedangkan output dari pengolahan gambar dapat berupa gambar atau sejumlah karakteristik atau parameter yang berkaitan dengan gambar. Kebanyakan gambar-teknik pemrosesan melibatkan atau memperlakukan foto sebagai dimensi dua sinyal dan menerapkan standar-teknik pemrosesan sinyal untuk itu, biasanya hal tersebut mengacu pada pengolahan gambar digital, tetapi dapat juga digunakan untuk optik dan pengolahan gambar analog. Akuisisi gambar atau yang menghasilkan gambar input di tempat pertama disebut sebagai pencitraan. Pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan informasi keluaran yang berbentuk citra. Istilah pengolahan citra digital secara umum didefinisikan sebagai pemrosesan citra dua dimensi dengan komputer. Dalam definisi yang lebih luas, pengolahan citra digital juga mencakup semua data dua dimensi. Citra digital adalah barisan bilangan nyata maupun kompleks yang diwakili oleh bit-bit tertentu. Umumnya citra digital berbentuk persegi panjang atau bujur sangkar (pada beberapa sistem pencitraan ada pula yang berbentuk segienam) yang memiliki lebar dan tinggi tertentu. Ukuran ini biasanya dinyatakan dalam banyaknya titik atau piksel sehingga ukuran citra selalu bernilai bulat. Setiap titik memiliki koordinat sesuai posisinya dalam citra. Koordinat ini biasanya dinyatakan dalam bilangan bulat positif, yang dapat dimulai dari 0 atau 1 tergantung pada sistem yang digunakan. Setiap titik juga memiliki nilai berupa angka digital yang merepresentasikan informasi yang diwakili oleh titik tersebut.

4 Binarization Proses pengambilan citra merupakan suatu langkah awal guna memberikan inputan terhadap langkah selanjutnya untuk melakukan modifikasi terhadap citra masukan dan menghasilkan suatu citra keluaran yang sesuai dengan sistem yang telah dibangun. Langkah utama yang dilakukan dalam operasi terhadap citra ini adalah binerisasi. Proses binerisasi adalah proses mengkonversi citra greyscale ke dalam bentuk citra biner yaitu citra dalam warna hitam dan putih. Tiap-tiap piksel dalam citra levelnya dirubah melalui suatu thresholding tertentu apabila piksel tersebut nilainya diatas nilai thresholding maka piksel tersebut akan diubah ke warna putih, dan apabila nilai piksel tersebut berada pada level di bawah nilai thresholding maka piksel tersebut di ubah ke warna hitam. Nilai dari thresholding untuk citra dalam derajat keabuan 256 maka nilai thresholding adalah 128 sehingga untuk mengubah menjadi citra biner dapat dituliskan dalambentuk pengandaian yaitu : jika nilai point < x =" 0" x =""> Normalization Sharma et. Al (2012) berpendapat bahwa normalisasi merupakan proses mengubah ukuran citra, baik menambah atau mengurangi, menjadi ukuran yang ditentukan tanpa menghilangkan informasi penting dari citra tersebut Dengan adanya proses normalisasi maka ukuran semua citra yang akan diproses menjadi seragam. Normalisasi terkadang disebut juga pelebaran kontras dan pelebaran histogram (Gonzales & Woods, 2007) Thinning Thinning adalah proses pengurangan data yang mengikis (erode) sebuah objek hingga menjadi ukuran 1 piksel dan menghasilkan kerangka (skeleton) dari objek tersebut. Objek seperti huruf atau silhouettes dapat lebih mudah dikenali dengan melihat kepada kerangkanya saja (Phillips, 2000). Pada penelitian ini digunakan algoritma thinning Zhang-Suen. Algoritma ini adalah algoritma untuk citra biner, dimana piksel background citra bernilai 0, dan piksel foreground (region) bernilai 1. Algoritma ini cocok digunakan untuk bentuk yang diperpanjang (elongated) dan dalam aplikasi OCR (Optical Character Recognition). Algoritma ini terdiri dari beberapa penelusuran, dimana setiap penelusurannya terdiri dari 2 langkah dasar yang diaplikasikan terhadap

5 9 titik yang pikselnya bernilai 1, dan memiliki paling sedikit 1 piksel dari 8-tetangganya yang bernilai Ekstraksi Fitur Ekstraksi fitur adalah proses pengukuran terhadap data yang telah dinormalisasi untuk membentuk sebuah nilai fitur. Nilai fitur digunakan oleh pengklasifikasi untuk mengenali unit masukan dengan unit target keluaran dan memudahkan pengklasifikasian karena nilai ini mudah untuk dibedakan (Pradeep et. al, 2011). Secara luas, fitur adalah semua hasil pengukuran yang bisa diperoleh. Fitur juga bisa menggambarkan karakteristik objek yang dipantau (Putra, 2009). Contoh dari fitur level rendah adalah intensitas sinyal. Fitur bisa berupa simbol, numerik atau keduanya. Contoh dari fitur simbol adalah warna. Contoh dari fitur numerik adalah berat. Fitur bisa diperoleh dengan mengaplikasikan algoritma pencari fitur pada data masukan.fitur dapat dinyatakan dengan variabel kontinu, diskret atau diskret-biner. Fitur biner dapat digunakan untuk menyatakan ada tidaknya suatu fitur tertentu. Fitur yang baik memiliki syarat berikut, yaitu mudah dalam komputasi, memiliki tingkat keberhasilan yang tinggi dan besarnya data dapat diperkecil tanpa menghilangkan informasi penting (Putra, 2009). Ekstraksi fitur dapat dilakukan pada berbagai representasi citra seperti pada tabel 2.2. Tabel 2.2. Ekstraksi Fitur Pada Representasi Citra Yang Berbeda (Jain Dan Taxt, 1996) Grayscale subimage Binary Vector (Skeleton) Solid character Outer countour Template matching Template matching - Template matching Deformable templates - - Deformable templates Unitary transforms Unitary transforms - Graph decription - Projection histograms Countour Profile Discrete features Zoning Zoning Zoning Zoning Geometric moments Geometric moments Spline curve - Zernike moments Zernike moments Fourier decriptors Fourier decriptors

6 Zoning Zoning adalah salah satu ekstraksi fitur yang paling popular dan sederhana untuk diimplementasikan (Sharma et. al, 2012). Sistem optical character recognition (OCR) komersil yang dikembangkan oleh CALERA menggunakan metode zoning pada citra biner (Bosker, 1992). Setiap citra dibagi menjadi NxM zona dan dari setiap zona tersebut dihitung nilai fitur sehingga didapatkan fitur dengan panjang NxM. Salah satu cara menghitung nilai fitur setiap zona adalah dengan menghitung jumlah piksel hitam setiap zona dan membaginya dengan jumlah piksel hitam terbanyak pada yang terdapat pada salah satu zona. Contoh pembagian zona pada citra biner dapat dilihat pada gambar 2.4. Gambar 2.4 Pembagian Zona Pada Citra Biner Diagonal Based Feature Extraction Pradeep et. al(2011) menggunakan diagonal based feature extraction untuk mendapatkan input untuk pengenalan karakter tulisan tangan. Cara kerja ekstraksi fitur tersebut adalah sebagai berikut : 1. Setiap karakter image dengan ukuran 90x60 piksel (Gambar 2.5) dibagi menjadi 54 zona, setiap zona berukuran 10x10 piksel (Gambar 2.6). 2. Untuk setiap zona: a. Hitung histogram secara diagonal untuk mendapatkan 19 subfitur (Gambar 2.7). b. Hitung rata-rata dari 19 subfitur tersebut dan nilai tersebut digunakan untuk mewakili setiap zona. 3. Dari nilai setiap zona, hitung rata-rata masing-masing baris dan masing-masing kolom. Sehingga didapatkan 9 nilai baris dan 6 nilai kolom fitur + 15 fitur menjadi nilai masukan untuk jaringan saraf tiruan.

7 11 Gambar 2.5 Karakter Ukuran 60x90 Piksel (Pradeep Et. Al, 2011) Gambar 2.6 Pembagian Zona Ekstraksi Fitur (Pradeep Et. Al, 2011) Gambar 2.7 Diagonal Histogram Setiap Zona (Pradeep Et. Al, 2011) 2.5. Jaringan Saraf Tiruan Jaringan Saraf Tiruan adalah jaringan komputasional yang mensimulasikan jaringan sel saraf (neuron) dari pusat sistem saraf makhluk hidup (manusia atau hewan) (Graupe, 2007). Jaringan saraf tiruan pertama kali didesain oleh Warren Mc-Culloh dan Walter Pitts pada tahun Mc Cullah-Pitts menemukan bahwa dengan

8 12 mengkombinasikan banyak neuron sederhana sehingga menjadi sebuah sistem saraf merupakan peningkatan tenaga komputasional. Jaringan saraf tiruan disusun dengan asumsi yang sama seperti jaringan saraf biologi (Puspitaningrum, 2006): 1. Pengolahan informasi terjadi pada elemen-elemen pemrosesan (neuron). 2. Sinyal antara dua buah neuron diteruskan melalui link-link koneksi. 3. Setiap link koneksi memiliki bobot terasosiasi. 4. Setiap neuron menerapkan sebuah fungsi aktivasi terhadap input jaringan (jumlah sinyal input berbobot). Tujuannya adalah untuk menentukan sinyal output Komponen jaringan saraf tiruan Jaringan saraf tiruan terdiri dari banyak neuron yang menyusun jaringan tersebut. Neuron-neuron tersebut dikelompokkan ke dalam beberapa lapisan (layer) dan lapisan-lapisan tersebut memiliki hubungan satu sama lain. Lapisan-lapisan penyusun jaringan saraf tiruan dapat dibagi menjadi 3, yaitu: 1. Lapisan input Pada lapisan ini neuron-neuron akan menerima input yang selanjutnya diproses untuk dikirimkan ke lapisan selanjutnya. 2. Lapisan tersembunyi Lapisan ini berada di antara lapisan input dan lapisan output. Pada lapisan ini bobot yang diterima dari lapisan input diproses untuk selanjutnya diproses untuk dikirimkan ke lapisan selanjutnya. Output dari lapisan ini tidak secara langsung dapat diamati. 3. Lapisan output Lapisan ini merupakan lapisan akhir dimana nilai output dihasilkan. Pada lapisan ini ditetapkan nilai output aktual untuk dibandingkan dengan nilai output target untuk mengetahui apakah jaringan sudah sesuai dengan hasil yang diinginkan Algoritma Backpropagation Algoritma pelatihan Backpropagation Neural Network pertama kali dirumuskan oleh Werbos dan dipopulerkan oleh Rumelhart & Mc.Clelland. Backpropagation neural network merupakan tipe jaringan saraf tiruan yang menggunakan metode pembelajaran terbimbing (supervised learning). Pada supervised learning terdapat

9 13 pasangan data input dan output yang dipakai untuk melatih JST hingga diperoleh bobot penimbang (weight) yang diinginkan. Penimbang itu sendiri adalah sambungan antar lapis dalam JST. Istilah propagasi balik diambil dari cara kerja jaringan ini, yaitu bahwa gradient error unit-unit tersembunyi diturunkan dari penyiaran kembali error-error yang diasosiasikan dengan unit-unit output. Hal ini karena nilai target untuk unit-unti tersembunyi tidak diberikan (Puspitaningrum, 2006). Backpropagation adalah metode pembelajaran terawasi (supervised learning). Metode ini membutuhkan nilai yang sudah ditentukan sebelumnya untuk mendapatkan output yang diinginkan pada proses pembelajaran. Contoh jaringan backpropagation dengan satu buah lapisan tersembunyi dapat dilihat pada gambar 2.8. Gambar 2.8 Jaringan Propagasi Balik Dengan Satu Buah Lapisan Tersembunyi (Puspitaningrum, 2006) Algoritma propagasi balik dapat dibagi ke dalam 2 bagian (Puspitaningrum, 2006): 1. Algoritma pelatihan Terdiri dari 3 tahap: tahap umpan maju pola pelatihan input, tahap pemropagasian error, dan tahap pengaturan bobot. 2. Algoritma aplikasi Yang digunakan hanyalah tahap umpan maju saja.

10 14 Algoritma Pelatihan 1. Inisialisasi bobot-bobot. Tentukan angka pembelajaran (α). Tentukan pula nilai toleransi error atau nilai ambang (bila menggunakan nilai ambang sebagai kondisi berhenti) atau set maksimal epoch (bila menggunakan banyaknya epoch sebagai kondisi berhenti). 2. While kondisi berhenti tidak terpenuhi do langkah ke-2 sampai langkah ke Untuk setiap pasangan pola pelatihan, lakukan langkah ke-3 sampai langkah ke-8. Tahap Umpan Maju 4. Setiap unit input x i (dari unit ke-1 sampai unit ke-n pada lapisan input) mengirimkan sinyal input ke smua unit yang ada di lapisan atasnya (ke lapisan tersembunyi) 5. Pada setiap unit di lapisan tersembunyi z j (dari unit ke-1 sampai unit ke-p; i=i,,n; j=1,...,p) sinyal output lapisan tersembunyinya dihitung dengan menerapkan fungsi aktivasi terhadap penjumlahan sinyal-sinyal input berbobot x i : (2.1) kemudian dikirim ke semua unit di lapisan atasnya. 6. Setiap unit di lapisan output y k (dari unit ke-1 sampai unit ke-m; i=1,...,n; k=1,,m) dihitung sinyal outputnya dengan menerapkan fungsi aktivasi terhadap penjumlahan sinyal-sinyal input berbobot z j bagi lapisan ini: (2.2) Tahap Pemropagasibalikan Error 7. Setiap unit output y k (dari unit ke-1 sampai unit ke-m; i=1,,p; k=1,.,m) menerima pol target t k lalu informasi kesalahan lapisan output (δ k ) dihitung. δ k dikirim ke lapisan di bawahnya dan digunakan untuk mengitung besar koreksi bobot dan bias (Δw jk dan Δw 0k ) antara lapisan tersembunyi dengan lapisan output:

11 15 b (2.3) Δw jk = α δ k z j Δw 0k = α δ k 8. Pada setiap unit di lapisan tersembunyi (dari unit ke-1 sampai unit ke-p; i=1,,n; j=1,,p; k=1,,m) dilakukan perhitungan informasi kesalahan lapisan tersembunyi (δ j ). δ j kemudian digunakan untuk menghitung besar koreksi bobot dan bias (Δw jk dan Δw 0k ) antara lapisan input dan lapisan tersembunyi. Δv ij = α δ j x i Δv 0j = α δ j (2.4) Tahap Peng-update-an Bobot dan Bias 9. Pada setiap unit output y k (dari unit ke-1 sampai unit ke-m) dilakukan pengupdate-an bias dan bobot (j=0,,p; k=1,,m) sehingga bias dan bobot baru menjadi: w jk (baru) = w jk (lama) + Δ w jk Dari unit ke-1 sampai unit ke-p di lapisan tersembunyi juga dilakukan pengupdate-an pada bias dan bobotnya (i=0,,n; j=1,,p): v ij (baru) = v ij (lama) + Δ v ij 10. Tes kondisi berhenti. Algoritma Aplikasi 1. Inisialisasi bobot. Bobot ini diambil dari bobot-bobot terakhir yang diperoleh dari algoritma pelatihan. 2. Untuk seitap vektor input, lakukanlah langkah ke-2 sampai ke Setiap unit input x i (dari unit ke-1 sampai unit ke-n pada lapisan input; i=1,,n) menerima sinyal input pengujian x i dan menyiarkan sinyal x i ke semua unikt pada lapisan di atasnya (unit-unit tersembunyi). 4. Setiap unit di lapisaan tersembunyi z j (dari unit ke-1 sampai unit ke-p; i=1,,n; j=1,.,p) menghitung sinyal outputnya dengan menerapkan fungsi aktivasi

12 16 terhadap penjumlahan sinyal-sinyal input x i. Sinyal output dari lapisan tersembunyi kemudian dikirim ke semua unit pada lapisan di atasnya: (2.5) 5. Setiap unit output y k (dari unit ke-1 sampai unit ke-m; j=1,,p; k=1,,m) menghitung sinyal outputnya dengan menerapkan fungsi aktivasi terhadap penjumlahan sinyal-sinyal input bagi lapisan ini, yaitu sinyal-sinyal input z j dari lapisan tersembunyi: (2.6) Fungsi aktivasi Pilihan fungsi aktivasi yang dapat digunakan pada metode propagasi balik yaitu fungsi sigmoid biner, sigmoid bipolar dan tangent hiperbolik. Karakteristiki yang harus imiliki fungsi aktivasi tersebut adalah kontinu, diferensiabel dan tidak menurun secara monoton. Fungsi aktivasi diharapkan jenuh (mendekati nilai-nilai maksimum dan minimum secara asimtot) (Puspitaningrum, 2006) Fungsi sigmoid biner Fungsi ini merupakan fungsi yang umum digunakan. Rentang-nya adalah (0,1) dan didefenisikan sebagai : (2.7) dengan turunan : (2.8)

13 17 sigmoid biner diilustrasikan pada gambar 2.7. Gambar 2.9 Fungsi Sigmoid Biner Dengan Rentang (0,1) (Puspitaningrum, 2006) Inisialisasi bobot dan bias Cepat atau tidaknya pembelajaran pada pelatihan jaringan propagasi balik salah satunya dipengaruhi oleh nilai bobot antar neuron dan nilai bias. Semakin baik inisialisasi bobot dan bias semakin cepat pula pembelajaran jaringan propagasi balik. Bobot dan bias pada jaringan propagasi balik dapat dinisialisasi dengan berbagai cara seperti inisialisasi acak, nguyen-widrow dan lain-lain Inisialisasi acak Prosedur yang umum dilakukan adalah menginisialisasi bias dan bobot, baik dari unit input ke unit tersembunyi maupun dari unit tersembunyi ke unit output secara acak dalam sebuah interval tertentu (-γ dan γ), misalnya antara -0.4 sampai 0.4, -0.5 sampai 0.5, dan -1 sampai 1 (Puspitaningrum, 2006) Inisialisasi nguyen widrow Waktu pembelajaran jaringan propagasi balik yang bobot dan biasnya diinisalisasi dengan inisialisasi Nguyen-Widrow lebih cepat dibandingkan bila diinisialisasi dengan inisialisasi acak. Pada inisialisasi Nguyen-Widrow, inisialisasi acak tetap terpakai tetapi digunakan untuk menginisialisasi bias dan bobot dari unit tersembunyi ke unit output saja. Untuk bias dan bobot dari unit-unit input ke unit-unit tersembuyi digunakan bias dan bobot yang khusus diskala agar jatuh pada range tertentu. Dengan penskalaan maka diharapkan kemampuan belajar dari unit-unit tersembunyi dapat meningkat.

14 18 Faktor skala Nguyen-Widrow (β) didefenisikan sebagai : (2.9) dimana : n = banyak unit input p = banyak unit tersembunyi β = faktor skala Prosedur inisialisasi Nguyen-Widrow Untuk setiap unit tersembunyi dari unit ke-1 sampai unit ke-p : 1. Inisialisasi vektor bobot dari unit-unit input ke unit-unit tersembunyi (j = 1,, p) dengan cara : a. Menentukan bobot-bobot antara unit input ke unit tersembunyi (v ij ) : v ij (lama) = bilangan acak antara - β dan β di mana i = 1,, n. b. Menghitung v ij. c. Menginisialisasi kembali v ij : 2. Menentukan bias antara unit input ke unit tersembuni (j = 1,, p). v oj diset dengan bilangan acak yang terletak pada skala antara - β dan β Pengupdate bobot dengan momentum Penambahan parameter momentum dalam mengupdate bobot seringkali bisa mempercepat proses pelatihan. Ini disebabkan karena momentum memkasa proses perubahan bobot terus bergerak sehingga tidak terperangkap dalam minimumminimum lokal. Pengupdatean bobot pada proses pelatihan jaringan yang biasa adalah sebagai berikut : Δw jk = α δ k z j (2.10) Δv ij = α δ j x i Jika error tidak terjadi (output actual telah sama dengan output target) maka δ k menjadi nol dan hal ini akan menyebabkan koreksi bobot Δw jk = 0, atau dengan kata lain pengupdatean bobot berlanjut dalam arah yang sama seperti sebelumnya.

15 19 Jika parameter momentum digunakan maka persamaan-persamaan pengupdatean bobot dengan langkah pelatihan t, dan t+1 untuk langkah pelatihan selajutnya, mengalami modifikasi sebagai berikut : Δw jk (t + 1) = α δ k z j + µ Δw jk (t) (2.11) Δv ij (t + 1) = α δ j x i + µ Δv ij (t) dengan µ adalah parameter momentum dalam range antara 0 sampai Penelitian Terdahulu Penelitian terdahulu tentang kombinasi dua atau lebih metode ekstraksi fitur juga telah dilakukan.penelitian terdahulu berfungsi sebagai referensi dan masukan bagi pengerjaan pengenalan tulisan tangan aksara Batak agar lebih optimal. Berbagai penelitian terdahulu dapat dilihat seperti pada tabel 2.3. Peneliti Robin Panjaitan (2011) Khairunnisa (2012) Putra (2012) Tabel 2.3 Penelitian Terdahulu Metode Penelitian Pengenalan Tulisan Tangan Aksara Batak Toba Menggunakan Metode Ekstraksi Freeman Chain Code. Tingkat pengenalan yang dicapai adalah 63.56% Pengenalan Tulisan Tangan Latin Bersambung Menggunkan metode ekstraksi zoning dengan ukuran citra 30x40 piksel yang dibagi menjadi 48 zona dengan ukuran masing-masing zona adalah 5x5 piksel. Nilai fitur hasil ekstraksi berupa nilai biner, yaitu 0 dan 1. Tingkat pengenalan yang dicapai adalah 83,85% Peningkatan Nilai Fitur Jaringan Propogasi Balik Pada Pengenalan Angka Tulisan Tangan Menggunakan Metode Zoning dan DBFE dengan ukuran citra 60x90 pixel yang dibagi menjadi 54 zona dengan ukuran masing-masing zona 10x10 piksel. Tingkat pengenalan yang dicapai adalah 87%