Oleh: Ulir Rohwana (1209 100 702) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T.
DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI HASIL DAN PENGUJIAN PENUTUP 2
PENDAHULUAN Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Manfaat Kajian Terdahulu 3
LATAR BELAKANG Latin Bersambung Real Time LVQ????????? Aksara latin paling banyak digunakan di dunia Menulis Latin bersambung tercantum dalam kurikulum pendidikan dasar Pengenalan tulisan tangan dapat dibagi menjadi dua metode, yaitu metode offline dan online (real time) Metode online lebih cepat dan efektif (Mubarok, 2010) Memiliki akurasi yang baik (86%) dalam hal pengenalan tulisan tangan secara real time (Asworo, 2010) 4
RUMUSAN MASALAH 1. Bagaimana mengubah tulisan tangan huruf latin bersambung menjadi teks digital? 2. Bagaimana membuat program yang mengenali tulisan tangan Huruf Latin bersambung secara real time? 3. Bagaimana tingkat keberhasilan pengenalan tulisan tangan Huruf Latin bersambung secara real time menggunakan algoritma Learning Vector Quantization? 5
BATASAN MASALAH 1. Huruf yang digunakan sebagai input adalah Huruf Latin bersambung 2. Karakter yang akan dikenali adalah data abjad A-Z dan a-z 3. Karakter yang digunakan sebagai input training berpedoman pada bentuk tulisan tangan huruf latin tegak bersambung yang baku sesuai Keputusan Direktur Jendral Pendidikan Dasar dan Menengah Departemen Pendidikan dan Kebudayaan No. 094/C/Kep/I.83 tanggal 7 Juli 1983 4. Tulisan tangan dilakukan di atas kanvas yang telah disediakan dengan batasan-batasan area berupa persegi, satu huruf mengisi satu persegi 6
TUJUAN Menghasilkan suatu program untuk menguji algoritma Learning Vector Quantization dalam mengenali tulisan tangan huruf latin bersambung secara real time 7
MANFAAT 1. Membantu pengguna mengubah tulisan tangan huruf latin bersambung menjadi teks digital 2. Sebagai pertimbangan dalam pemilihan metodemetode yang digunakan dalam sistem pengenalan tulisan tangan huruf latin bersambung untuk penelitian selanjutnya 8
KAJIAN TERDAHULU Asworo (2010) Perbandingan Antara Metode Kohonen Neural Network dan Learning Vector Quantization Pada Sistem Pengenalan Tulisan Tangan Secara Real Time Bakhtiar Arifin (2011) Sistem Pengenalan Tulisan Tangan Real Time Menggunakan Metode Dominant Point dan Jaringan Syaraf Tiruan Learning Vector Quantization 9
TINJAUAN PUSTAKA Latin Bersambung OCR Image Processing Feature Extraction LVQ 10
HURUF LATIN BERSAMBUNG Dalam hal tulisan huruf latin bersambung, pemerintah telah menetapkan bentuk tulisan tangan yang baku dan resmi pada Keputusan Direktur Jendral Pendidikan Dasar dan Menengah Departemen Pendidikan dan Kebudayaan No. 094/C/Kep/I.83 tanggal 7 Juni 1983 11
OPTICAL CHARACTER RECOGNITION Optical Character Recognition: 1. Metode offline 2. Metode online Secara umum tahapan pengenalan tulisan oleh OCR metode online adalah sebagai berikut: Online Input Image Processing Feature Extraction Classifier/ Clustering Classifier/ Clustering Result 12
IMAGE PROCESSING SEGMENTASI Mencari batas daerah gambar yang akan dicapture SCALLING Menormalisasikan ukuran gambar sehingga ukuran yang diperoleh selalu sama 13
FEATURE EXTRACTION Feature Extraction yang digunakan adalah memberi nilai satu (1) untuk setiap koordinat piksel yang dilalui goresan kursor (piksel hidup) dan nilai nol (0) untuk koordinat piksel lain. 14
LEARNING VECTOR QUANTIZATION Step 0 Inisialisasi vektor referensi dan learning rate (α) Step 1 Selama stopping condition tidak terpenuhi, kerjakan Step 2-6 Step 2 Untuk setiap vektor x, kerjakan Step 3-4 Step 3 Temukan J sehingga x-wj minimum Step 4 Update wj dengan mengikuti rumus: Jika T = Cj maka wj = wj + α[x-wj] Jika T Cj maka wj = wj - α[x-wj] Step 5 Kurangi learning rate (α) Step 6 Cek Stopping Condition 15
METODOLOGI 1. Studi Literatur 2. Analisis dan Perancangan Program 3. Implementasi Program 4. Pengujian dan Evaluasi Program 5. Penarikan Kesimpulan 16
PERANCANGAN DAN IMPLEMENTASI Perancangan Data Implementasi Antarmuka Gambaran Umum Arsitektur LVQ 17
PERANCANGAN DATA Masukan Proses Luaran Data yang dimasukkan oleh pengguna berupa teks tulisan tangan huruf latin bersambung 1.Citra segmentasi 2.Area scalling 3.Data ekstraksi ciri Teks digital hasil pengenalan oleh algoritma LVQ terhadap data yang diberikan 18
GAMBARAN UMUM SISTEM (1) Sistem pengenalan tulisan tangan secara real time ini terdiri dari 3 tahap: Tahap Akuisisi Tahap Preprocessing Tahap JST Proses pengambilan citra hasil goresan kursor pada panel yang telah disediakan Segmentasi Scalling Ekstraksi Ciri Training Testing 19
GAMBARAN UMUM SISTEM (2) Tahap Akuisisi Tahap Preprocessing Tahap JST Proses Training Proses Testing 20
ARSITEKTUR LVQ Y... Y Y 1 j... 52 W 1,1 W 100,1 W W W 100,j 1,52 1,j W i,j W W W i,52 100,52 i,1 X 1...... X i X 100 21
IMPLEMENTASI ANTARMUKA (1) Menu Utama 22
IMPLEMENTASI ANTARMUKA (2) Menu Pelatihan 23
IMPLEMENTASI ANTARMUKA (3) Menu Parameter LVQ 24
IMPLEMENTASI ANTARMUKA (4) Menu Data Latih 25
HASIL DAN PENGUJIAN Tahap Akuisisi Tahap JST Tahap Prepocessing Pembahasan Hasil Pengujian 26
TAHAP AKUISISI 114,36 113,36 112,35 111,34 110,34 110,33 110,32 109,31 108,30 107,29 107,28 106,27 106,26 105,25 104,24 104,23 103,23 103,22 102,21 101,21 100,21 99,21 98,21 97,21 95,21 94,21 93,21 91,22 90,22 89,22 87,22 87,23 86,23 85,24 84,24 82,25 81,26 80,26 80,27 79,27 78,28 78,29 77,31 76,33 75,33 75,34 74,35 73,36 73,37 72,37 72,38 71,39 70,39 70,40 70,41 69,42 69,43 68,43 67,45 67,47 66,48 66,49 66,50 65,50 65,51 65,52 65,53 63,57 62,59 61,61 61,62 61,63 60,64 59,65 59,66 59,67 58,68 58,69 58,70 58,71 58,72 57,73 57,74 56,75 56,76 56,77 56,78 56,79 55,80 55,81 55,82 54,83 54,84 54,85 54,86 54,87 54,88 54,89 54,91 54,92 54,93 54,94 54,95 54,96 54,97 54,98 54,100 55,101 55,102 55,103 56,104 56,105 57,105 58,106 58,108 59,109 60,110 60,111 61,111 61,112 63,112 63,113 64,113 65,114 66,114 68,115 69,115 70,115 71,115 73,116 75,116 76,116 77,116 78,116 79,116 80,116 81,116 82,116 83,116 84,116 85,116 86,116 87,116 88,116 89,116 90,116 91,116 92,116 94,115 95,114 96,114 97,113 98,112 99,111 100,110 101,110 101,108 102,108 102,107 103,105 104,104 104,103 105,102 106,101 106,100 106,98 107,98 107,96 107,95 108,94 109,93 109,92 109,91 109,90 110,89 111,87 111,86 112,84 113,82 113,80 114,79 114,78 114,77 115,76 115,75 115,73 116,72 116,70 116,69 117,68 117,66 117,65 117,63 117,61 118,61 118,59 118,58 118,56 118,55 119,54 119,53 119,51 119,50 119,49 119,48 119,47 119,46 119,45 119,44 119,43 119,42 119,41 119,40 119,39 119,38 119,39 119,40 119,41 119,42 119,43 119,44 119,46 119,47 119,48 119,49 119,50 119,51 119,52 119,53 119,54 119,56 119,57 119,58 119,59 119,60 119,61 118,62 118,63 118,64 118,66 118,67 118,68 118,69 118,70 118,71 118,72 118,73 118,74 118,75 118,76 117,77 117,78 117,79 116,80 116,81 116,82 116,83 116,84 116,85 116,86 116,87 116,88 116,89 116,90 116,91 116,92 116,93 116,94 116,95 116,96 116,97 116,98 116,99 116,100 116,101 117,101 117,102 117,103 117,104 118,104 118,105 119,105 120,105 121,105 122,106 123,106 124,106 125,105 126,104 127,104 127,103 128,103 129,103 130,102 131,101 132,100 133,100 133,99 134,99 135,98 136,97 137,96 138,96 139,95 139,94 140,94 141,93 142,93 142,92 143,91 144,91 145,90 146,90 147,89 147,88 148,88 148,87 150,87 151,86 153,85 154,84 155,84 156,83 157,83 158,82 159,81 160,81 161,80 162,79 163,78 164,78 165,77 166,77 166,76 167,75 167,75 27
TAHAP PREPROCESSING (1) TRAINING SEGMENTASI TESTING 28
TAHAP PREPROCESSING (2) SCALLING 29
TAHAP PREPROCESSING (3) EKSTRAKSI CIRI 011110000001001100001100010000100001000010000100001000110011100011 0110100011110010011110001111000000 30
TAHAP JST (1) PENGARUH LEARNING RATE TERHADAP AKURASI Karakter yang ditesting Learning Rate Epoch Akurasi A Z 0.01 100 80.77% A Z 0.05 100 79.23% A Z 0.1 100 70.00% A Z 0.5 100 63.07% A Z 1 100 63.07% 31
TAHAP JST (2) PENGARUH EPOCH TERHADAP AKURASI Karakter yang ditesting Epoch Learning Rate Akurasi A Z 10 0.01 76.15% A Z 50 0.01 80.77% A Z 100 0.01 80.77% A Z 500 0.01 81.54% A Z 1000 0.01 83.07% 32
TAHAP JST (3) PENGUJIAN MASING-MASING HURUF Prosentase Akurasi Prosentase Huruf Huruf (%) Akurasi (%) A 100 a 46.67 B 66.67 b 53.3 C 93.3 c 6.67 D 56.67 d 53.3 E 100 e 33.3 F 93.3 f 53.3 G 96.67 g 90 H 3.3 h 3.3 I 70 i 20 J 90 j 56.67 K 80 k 56.67 L 86.67 l 23.3 M 86.67 m 56.67 N 90 n 56.67 O 53.3 o 33.3 P 86.67 p 50 Q 90 q 33.3 R 100 r 40 S 53.3 s 3.3 T 100 t 3.3 U 63.3 u 33.3 V 86.67 v 26.67 W 46.67 w 43.3 X 3.3 x 6.67 Y 60 y 33.3 Z 96.67 z 3.3 Total 75.13 Total 35.38 33
TAHAP JST (4) PENGUJIAN PER HURUF DALAM TULISAN BERSAMBUNG Sistem akan diuji dengan beberapa kata yang telah ditentukan, yaitu Aku, Kami, Indonesia, Real Time, Iklan. Teks Prosentase Akurasi (%) Aku 34.4 Kami 26.67 Indonesia 13.3 Real Time 41.48 Iklan 32 Total 25.85 34
PEMBAHASAN HASIL PENGUJIAN (1) Penyebab utama rendahnya akurasi sistem dalam menge-nali tulisan tangan huruf latin bersambung secara real time ini terletak pada inkonsistensi tulisan tangan yang dimasukkan oleh pengguna. Inkonsistensi tersebut dikarenakan penulisan dengan menggunakan mouse kurang memberikan hasil yang baik karena pengguna sulit menyesuaikan terhadap penulisan karakter yang dimasukkan. 35
PEMBAHASAN HASIL PENGUJIAN (2) Kemampuan LVQ pada penelitian yang dilakukan oleh Asworo (2010) pada pengenalan tulisan tangan secara real time mendapatkan kesimpulan bahwa algoritma LVQ mampu mengenali huruf kapital dengan akurasi 87 %, sedangkan untuk huruf non kapital 13% Untuk pengenalan huruf latin bersambung, pada penelitian yang dilakukan oleh Marwanto, dkk (2005) dengan menggunakan algoritma Fuzzy ARTMAP dan segmentasi kata mendapatkan kesimpulan bahwa segmentasi yang digunakan jika digabung dengan feature extraction untuk mengenali sebuah kata masih belum bisa berjalan sesuai yang diharapkan penulis melihat akurasi yang tidak tinggi (0%-80%), serta dalam simulasinya metode ini bersifat writer dependent 36
PENUTUP Kesimpulan Saran 37
KESIMPULAN 1. Sistem mampu mengenali tulisan tangan masingmasing huruf dengan akurasi 75.13% untuk huruf kapital dan 35.38% untuk huruf non kapital. 2. Untuk pengenalan per-huruf dalam tulisan bersambung sistem mengenali dengan akurasi 25.85%. 3. Sistem belum mampu mengenali dengan baik tulisan tangan huruf bersambung. 38
SARAN 1. Proses penulisan yang dilakukan pada Tugas Akhir ini menggunakan mouse. Hal itu menyebabkan inkonsistensi tulisan tangan pengguna. Untuk pengembangan selanjutnya akan lebih baik jika proses penulisannya menggunakan hardware yang nyaman untuk digunakan pengguna dalam menuliskan tulisan tangannya. 2. Metode yang digunakan pada Tugas Akhir ini memiliki tingkat akurasi yang rendah, sehingga untuk penelitian selanjutnya terkait pengenalan tulisan tangan huruf latin bersambung secara real time dibutuhkan metodemetode lain yang lebih baik 3. Sistem yang dikembangkan dalam Tugas Akhir ini membatasi user dalam melakukan penulisan, yakni setiap persegi harus diisi satu huruf. Untuk pengembangan selanjutnya akan lebih baik jika sistem menggunakan metode segmentasi lain tanpa membatasi user. 39
DAFTAR PUSTAKA [1] Asworo.2010. Comparison Between Kohonen Neural Network Method and Learning Vector Quantization in The Online Handwriting Recognition System. Institut Teknologi Sepuluh Nopember, Surabaya. [2] Mubarok, Riza, S.L., Setiawan, Wawan. (2010). Pengenalan Tulisan Tangan Aksara Sunda Menggunakan Kohonen Neural Network. Universitas Pendidikan Indonesia, Bandung. [3] KKPS Kabupaten Bandung. 2009. BERSERI Belajar Menulis Benar, Rapi, dan Indah untuk siswa kelas satu, dua, dan tiga Sekolah Dasar. Bandung. [4] Fausett, L. 1994. Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. Prentice Hall International.Inc. [5] Arifin, B. 2011. Sistem Pengenalan Tangan Real Time Menggunakan Metode Dominant Point dan Jaringan Syaraf Tiruan Learning Vector Quantization. Institut Teknologi Sepuluh Nopember, Surabaya. [6] Arief, A.F. Perangkat Lunak Pengkonversi Teks Tulisan Tangan Menjadi Teks Digital. Institut Teknologi Sepuluh Nopember, Surabaya. [7] Marwanto, Linardi, S., Desri. Pengenalan Tulisan Tangan Latin dengan Segmentasi Kata dan Fuzzy ARTMAP. Universitas Bina Nusantara, Jakarta 40