PENGENALAN KARAKTER BERDASARKAN TULISAN TANGAN MENGGUNAKAN EDGE DETECTION DAN SVM

Transkripsi

1 Seminar Nasional Teknologi Informasi 2016 A5 PENGENALAN KARAKTER BERDASARKAN TULISAN TANGAN MENGGUNAKAN EDGE DETECTION DAN SVM Youllia Indrawaty 1), Irma Amelia 2), Rizky Kharisma Kurnia 3) 1) 2) 3) Jurusan Teknik Informatika, Fakultas Teknik Industri, Itenas Bandung Jln. PHH. Mustopha No.23 Bandung Telp ), 3) ABSTRACT Graphology is scientific method for identification, evaluation, and to understand chararacter through handwriting pattern. Pattern recognition is basically a system to classify objects into categories or classes based on knowledge or statistical information taken from pattern. s and font size is a parameter that will be examined by handwriting. Human character recognition system uses two methods that is edge detection and support vector machine (SVM). Input the handwriting image then do the grayscale to fix the image to get a better quality, then resizing it to commesurate image size, then do the extraction process using edge detection with canny operator to determine x axis and y axis, then thresholding for pixels separating process then thinning pixel to pixel decimation, next stage with svm classification to classify the weight on the training data, the weight of image who approaching the weight target means the result of human character. The examination were conducted at eight samples with four categories that each categories had two samples. The conclusion gained from this research with character 1 percentage is 50% and 50%, character 2 is 50% and 100%, character 3 is 50% and 50%, character 4 is 100% and 100. Key word:graphology, Pattern recognition, Edge detection, SVM 1. Pendahuluan Masyarakat Indonesia terdiri dari berbagai macam suku yang tersebar di penjuru Nusantara, masingmasing suku memiliki watak dan karakter masingmasing. Menurut Kamus Besar Bahasa Indonesia, karakter memiliki arti sifat-sifat kejiwaan, akhlak atau budi pekerti yang membedakan seseorang dari yang lain, selain itu karakter juga bisa bermakna huruf. Pengenalan karakter sangat penting bagi seseorang umtuk meminimalkan sifat negatif dan memaksimalkan sifat positif yang dimilikinya. Ada berbagai cara yang dapat dilakukan untuk mengenali karakter manusia salah satunya adalah dengan menganalisis tangan atau yang disebut dengan grafologi. Grafologi adalah metode ilmiah mengidentifikasi, mengevaluasi dan pemahaman karakter melalui pola tangan, metode ini pertama kali digagas oleh seorang kebangsaan Prancis bernama Abbe J.H. Michon di tahun Grafologi dapat melihat karakter seseorang dengan memperhatikan pola dari tangan seperti: pola garis dasar, ukuran huruf, kemiringan huruf dan kata, penekanan pena, jarak antar huruf, jarak antar kata, margins, dan sebagainya. Pengenalan pola pada dasarnya adalah suatu sistem yang tujuannya adalah mengklasifikasikan objek-objek ke dalam kategori-kategori atau kelas-kelas berdasarkan pada apriori pengetahuan atau pada informasi statistik yang diambil dari pola. Dari uraian tersebut maka penelitian ini menitik beratkan analisis grafologi berdasarkan posisi margins kiri huruf. adalah jarak antara tepi halaman kertas dengan tepi. Di dalam grafologi, margins dapat diteliti berdasarkan lebar dan nya suatu margins. s kiri dikatakan lebar apabila jarak dari halaman kertas ke tepi lebih dari 1 cm, sedangkan margins dikatakan apabila jarak dari halaman kertas ke tepi kurang dari 1 cm. huruf adalah tanda untuk melihat bagaimana seseorang ingin dilihat oleh orang lain. huruf juga merupakan salah satu tanda untuk melihat rentang konsentrasi dan fokus yang dimiliki seseorang. Tulisan dengan ukuran yang normal sekitar 3mm untuk huruf dan 1 cm untuk huruf kapital, sedangkan untuk lower zone (bagian bawah) berkisar antara 2-4 mm. Ekstraksi fitur yang digunakan adala Edge Detection, Deteksi tepi (edge detection) pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari obyek-obyek citra, tujuannya adalah untuk menandai bagian yang menjadi detail citra dan untuk memperbaiki detail dari citra yang kabur, yang terjaid karena error atau adanya efek dari proses akuisisi citra. Dalam proses analisis tangan, proses klasifikasi sama pentingnya dengan proses ekstraksi fitur. Metode klasifikasi yang digunakan adalah Support Vector Machine (SVM). SVM adalah suatu teknik untuk 23

2 A5 Seminar Nasional Teknologi Informasi 2016 melakukan prediksi, baik dalam kasus klasifikasi maupun regresi. 1.2 Rumusan Masalah Adapun rumusan masalah dari penelitian ini adalah sebagai berikut: 1. Bagaimana cara mengekstraksi fitur tangan menggunakan Edge detection. 2. Bagaimana metode SVM dapat mengidentifikasi karakter manusia berdasarkan pola margins kiridan ukuran huruf tangan. 1.3 Tujuan Tujuan dari penelitian dan pembangunan aplikasi ini adalah penerapan ekstraksi ciri Edge Detection dan metode SVM untuk mengidentifikasi karakter manusia berdasarkan pola margins kiri huruf tangan. 1.4 Batasan Masalah Adapun batasan masalah dari penelitian ini adalah sebagai berikut: 1. Tulisan tangan di analisis berdasarkan pola margins kiri huruf. 2. Tulisan tangan dibuat dalam bentuk paragraf dan tidak mencontoh pada script lain (bukan sajak atau syair lagu). 3. Proses identifikasi berupa tangan yang telah di scan. 4. Proses tangan dilakukan dengan menggunakan kertas HVS A4. 5. Sistem identifikasi tangan dilakukan secara offline. 6. Sistem yang digunakan berbasis desktop application. 1.5Pattern Recognition[1] Pengenalan Pola (pattern recognition) dapat dikatakan sebagai kemampuan manusia mengenali objek-objek berdasarkan ciri-ciri dan pengetahuan yang pernah diamatinya dari objek-objek tersebut. Tujuan dari pengenalan pola ini adalah mengklasifikasi dan mendeskripsikan pola atau objek kompleks melalui pengetahuan sifat-sifat atau ciri-ciri objek tersebut, pola dapat dikatakan sebagai identitas yang terdefinis dan dapat diberi suatu identifikasi atau nama. Dengan kata lain, pengenalan pola membedakan suatu objek dengan objek lain. 1.6 Grafologi[2] Analisis Tulisan Tangan (Grafologi) adalah ilmu untuk mengetahui karakter dan kepribadian seseorang melalui tangan. Sejak ratusan tahun lalu, para ilmuwan China telah mengetahui bahwa cara seseorang menulis atau grafologi berkaitan dengan karakter orang tersebut. Grafologi berkaitan dengan tangan, yang berasal dari otak ketika gambaran mental dari huruf dan kata terbentuk. Tulisan tangan dianalisis sehingga dapat digunakan untuk mengetahui karakter dan motivasi seseorang. Grafologi dapat melihat karakter seseorang dengan memperhatikan pola dari tangan seperti: pola garis dasar, ukuran huruf, kemiringan huruf dan kata, penekanan pena, jarak antar huruf, jarak antar kata, margins, dan sebagainya. Berikut adalah tabel dari karakter manusia berdasarkan pola margins tangan: Tabel 1 Karakter manusia berdasarkan pola margins kiri tangan Konten s kiri lebar s kiri Penjelasan karakter - Mencoba untuk maju dari masa lalu - Berbicara langsung pada sasaran (to the point) - Mengingat kejadian di masa lalu dengan baik - Dapat terpengaruh kenyamanannya pada saat berkomunikasi atau bekerja - Sentimental Tabel 2 Karakter manusia berdasarkan ukuran huruf tangan Konten normal besar 2. Landasan Teori 2.1Edge Detection[3] Penjelasan karakter Memiliki kepribadian yang stabil - Termotivasi dengan pengakuan verbal dari orang lain - Percaya diri - Rentang konsentrasi tidak sebaik yang nya - Senang mengekspresikan diri - Memiliki ketepatan dalam bekerja - Mampu berkonsentrasi dalam rentang waktu yang relatif panjang - Memperhatikan hal secara detail Edge Detection digunakan sebagai ekstraksi fitur. Deteksi tepi (edge detection) pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari obyekobyek citra, selain itu Edge Detection berfungsi untuk mengidentifikasikan garis batas dari suatu objek terhadap latar belakang yang saling tumpang 24

3 Seminar Nasional Teknologi Informasi 2016 A5 tindih.sehingga apabila garis tepi pada citra dapat di identifikasikan dengan akurat, semua objek dapat ditemukan dan sifat dasar seperti area, bentuk, dan ukuran objek dapat diukur. 2.2 Operator Canny[4] Ada banyak algoritma yang digunakan untuk mendeteksi tepi, salah satudiantaranya adalah deteksi tepi Canny (Canny Edge detection). Deteksi tepi Canny dapat mendeteksi tepian yang sebenarnya dengan tingkat error yang minimum dengan kata lain, operator Canny didesain untuk menghasilkan citra tepian yang optimal. Menghilangkan noise dengan menggunakan tapis Gaussian sehingga menghasilkan citra yang tampak sedikit buram. Hal ini bertujuan agar garis-garis halus tidak dideteksi sebagai tepian Tapis Gausian [ 2 3 2] (1) Tapis gausian ini dijumlahkan dengan citra asli dari tangan yang kemudian akan diperoleh hasil konvolusinya. Melakukan deteksi tepi dengan operator Sobel secara Horizontal danvertikal. Operator Sobel dengan kernel Sx dan Sy Gambar 1. Decision boundary dengan margin maksimal (sumber : Prasetyo Eko,2012) Hyperplane(batas keputusan) pemisah terbaik antara kedua kelas dapat ditemukan dengan mengukur margin hyperplane tersebut dan mencari titik maksimalnya. adalah jarak antara hyperplane tersebut dengan data terdekat dari masing-masing kelas. Data yang paling dekat ini disebut support vector. Sebuah hyperplane dapat ditulis sebagai W. X + b = 1...(4) Keterangan: W = vector bobot X = input data b = nilai bias Bobot dapat disesuaikan sehingga hyperplane dapat mendefinisikan sisi dari margin yang ditulis sebagai:...(2) Hasil dari konvolusi dijumlahkan dengan operator sobel dengan kernel Sx dan Sy. Kemudian diperolehnilai magnitude operasisobel M = Sx 2 + Sy 2...(3) Keterangan: Sx = Hasil penjumlahan dari kernel Sx Sy = Hasil penjumlahan dari kernel Sy 2.3Support Vector Machine [5] Konsep klasifikasi dengan SVM dapat dijelaskan secara sederhana sebagai usaha untuk mencari hyperplane terbaik yang berfungsi sebagai pemisah dua buah kelas data pada ruang input hyperplane terbaik.gambar 1 memperlihatkan beberapa pola yang merupakan anggota dari dua buah kelas data: +1 dan -1. Data yang tergabung pada kelas - 1 disimbolkan dengan bentuk lingkaran, sedangkan data pada kelas +1 disimbolkan dengan bentuk bujur sangkar. H 1 : W 1. X 1 + b 1 untuk Yi = +1...(5) H 2 : W 1. X 1 + b 1 untuk Yi = -1...(6) Artinya, setiap data yang jatuh pada H1 milik kelas +1, dan setiap data yang jatuh pada H2 milik kelas -1..Pembahasan Pada sub bab pembahasan berisi tentang penjelasan penelitian yang dilakukan. 3.1 Flowchart System Berikut ini merupakan flowchart sistem dari cara kerja identifikasi karakter manusia berdasarkan pola margins huruf tangan yang terdapat pada gambar 2. 25

4 A5 Seminar Nasional Teknologi Informasi 2016 Gambar 3. Alur prosessystem Gambar 4 cara kerja system Gambar 2. Flowchart system Pada Gambar 2 menunjukan bagaimana proses program dirancang sesuai dengan cara kerja sistem menginput kemudian dari input tersebut dilakukan pengekstraksian menggunakan Edge Detection, Setelah proses pengekstraksian data, maka dilakukan pencocokan menggunakan SVM yang kemudian akan menunjukan hasil keputusan dari pengujian tersebut. 3.2Workflow System Pada proses awal yang dilakukan untuk mendeteksi karakter manusia melalui tangan adalah melakukan proses data latih. Proses data latih digunakan untuk menyimpan referensi manusia, langkah pertama yaitu user melakukan sampling dengan cara menulis pada kertas kemudian data sample yang telah tersedia dilakukan ekstraksi ciri dengan metode edge detection, setelah itu akan disimpan ke dalam referensi atau database, kemudian setelah itu akan dilakukan proses pengujian dengan cara melakukan sampling kembali untuk diekstraksi dengan menggunakan edge detection lalu dilanjutkan dengan proses pencocokan dengan metode SVM. Maka kemudian akan keluar hasil berupa karakter manusia yang telah diuji sebelumnya. 3.3 Pengujian Pengujian dilakukan dengan menggunakan delapan sample tangan dan dengan empat kategori yaitu: 1. lebar besar 2. lebar 3. besar 4. Gambar 5. Contoh dengan margin lebar 26

5 Seminar Nasional Teknologi Informasi 2016 A5 Tabel 3 Menguji dengan kategori 1 margin lebar besar Karakter yang di uji uji 1 Hasil proses dan besar lebar Ukur an tulisa n besar X 50% Persentas e keberhasi lan uji 2 lebar X 50% Gambar 6. Contoh dengan margin Tabel 4 Menguji dengan kategori 2 margin lebar Karakte r yang di uji Hasil proses lebar Persentase keberhasilan uji 3 uji 4 lebar besar lebar X 50% 100% Tabel 5 Menguji dengan kategori 3 margin dan ukuran besar Gambar 7. Contoh dengan ukuran besar Kara kter yang di uji uji 5 uji 6 Hasil proses lebar besar dan ukuran tul besar X 50% X 50% Persentase keberhasilan Tabel 6 Menguji dengan kategori 4 margin dan ukuran Kara kter yang di uji Hasil proses Persentase keberhasilan Gambar 8. Contoh dengan ukuran Pada ke-empat karakter tersebut di ambil masingmasing dua sample untuk di lakukan pengujian. uji 7 uji 8 dan ukuran dan ukuran 100% 100% 27

6 A5 Seminar Nasional Teknologi Informasi Kesimpulan Berdasarkan hasil penelitian yang diperoleh dari pengujian sistem aplikasi pengenalan karakter manusia berdasarkan tangan yang menggunakan metode Edge Detection dan Support Vector Machine yaitu hasil dari pengujian yang telah dilakukan kurang akurat dikarenakan: 1. Karakter setiap orang tidak sama, 2. Sulit untuk menemukan tingkat kemiripan pada masing-masing karakter di setiap, 3. dalam penulisan sample tidak stabil dan tidak konsisten, 4. Tidak bisa membandingkan setiap orang, karena setiap karakter yang berada pada data pelatihan dengan karakter yang berada pada pengujian berbedasehingga setelah di uji mendapatkan hasil yang kurang akurat, 5. Pengujian dilakukan pada delapan sample dengan empat kategori dan pada masing-masing kategori terdapat dua sample. Maka diperoleh kesimpulan dari penelitian ini dengan presentase karakter 1 adalah 50% dan 50%, karakter 2 adalah 50% dan 100%, karakter 3 adalah 50% dan 50%, karakter 4 adalah 100% dan 100%. DAFTAR PUSTAKA [1] Novhard, 2007, Pattern Recognition atau Pengenalan Pola ( diakses 10 Desember 2015) [2] Mita Rosette Taufik, 2015, Professional Graphologist [3] Rafdi Milzano, 2011, Edge Detection ( diakses 25 November 2015) [4] Mazid Kamal, Ruri Suko Basuki, M.Kom, 2014, Segmentasi Citra Daun Tembakau Berbasis Deteksi Tepi Menggunakan Algoritma Canny. Semarang. Universitas Dian Nuswantoro Semarang. [5] Anto Satriyo Nugroho, Arief Budi Witarto, Dwi Handoko, 2003, Support Vector Machine 28