ARTIKEL PENGENALAN TULISAN TANGAN HURUF JAWA DENGAN MENGGUNAKAN METODE K-NEAREST NEIGHBOR Oleh: FUAD MAFTUHIN 13.1.03.02.0111 Dibimbing oleh : 1. Hermin Istiasih, S.T., M.M., M.T. 2. Julian Sahertian, S.Pd., M.T. PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS NUSANTARA PGRI KEDIRI TAHUN 2017
simki.unpkediri.ac.id 1
PENGENALAN TULISAN TANGAN HURUF JAWA DENGAN MENGGUNAKAN METODE K-NEAREST NEIGHBOR Fuad Maftuhin 13.1.03.02.0111 fuadmaftuhin@gmail.com Hermin Istiasih, S.T., M.M., M.T. dan Julian Sahertian, S.Pd., M.T. UNIVERSITAS NUSANTARA PGRI KEDIRI ABSTRAK Penelitian ini dilatar belakangi oleh belum efektifnya - untuk mengenali tulisan tangan yang sangat kompleks terutama dari segi bentuk dan ukuran seperti huruf Jawa dan nilai akurasi dari sebelumnya yang kurang akurat. Dari permasalahan tersebut maka penulis akan mencoba lain yang bisa lebih efektif dalam pengenalan huruf jawa tulisan tangan, yaitu K-Nearest Neighbor dan deteksi tepi Sobel. Permasalahan penelitian ini adalah Bagaimana merancang sistem pengenalan pola tulisan tangan huruf jawa deteksi tepi sobel dan K-Nearest Neighbor?. Bagaimana performa sistem pengenalan pola tulisan tangan huruf jawa deteksi tepi sobel dan K-Nearest Neighbor? Tujuan penelitian ini adalah Untuk mengetahui perancangan sistem pengenalan pola tulisan tangan huruf jawa deteksi tepi sobel dan K-Nearest Neighbor. Untuk mengetahui performa sistem pengenalan pola tulisan tangan huruf jawa deteksi tepi sobel dan KNearest Neighbor. Penelitian ini deteksi tepi sobel untuk memperoleh bagian detail dari citra serta K-Nearest Neighbor untuk perhitungan jarak. Sebelum dilakukan pengenalan, file citra sebelumnya dilakukan proses preprocessing terlebih dahulu.proses tersebut meliputi proses grayscalling. Simpulan hasil penelitian ini adalah Telah dihasilkan rancangan sistem pengenalan pola tulisan tangan huruf jawa K-nearest neighbor untuk pengenalan huruf jawa. Sistem ini berfungsi untuk membantu dalam mengenali huruf jawa. Telah di ketahui performa sistem pengenalan tulisan tangan huruf jawa K-Nearest Neighbor. Dari hasil pengujian pada skenario pertama diperoleh akurasi sebesar 40%. Pada skenario kedua diperoleh akurasi sebesar 55%. Pada skenario ketiga diperoleh akurasi sebesar 85% 100 data training dan 20 data testing. Dari hasil pengujian yang dilakukan dapat di simpulkan bahwa K-Nearest Neighbor dapat digunakan untuk mengidentifikasi pengenalan huruf jawa dan nilai akurasi yang tinggi. Kata Kunci : pengolahan citra, huruf jawa, deteksi tepi sobel, K-Nearest Neighbor. I. LATAR BELAKANG Sistem pengenalan pola (pattern recognition) merupakan konsep keilmuan yang telah dikembangkan bertahun-tahun. Pengenalan pola adalah disiplin ilmu yang bertujuan mengklasifikasikan objek dalam banyak kategori atau kelas. Pengenalan pola juga merupakan bagian penting dalam banyak sistem cerdas yang dibangun untuk membantu dalam pengambilan keputusan. Pengenalan pola dapat digunakan untuk mengenali tulisan tangan maupun simki.unpkediri.ac.id 2
tulisan dalam bentuk cetakan, baik tulisan fitur gabungan Image Centroid and Zone aksara Latin maupun aksara non-latin. (ICZ) dan Zone Centroid Zone (ZCZ) Salah satu bentuk tulisan aksara akurasi mencapai 79%. Namun non-latin - tersebut kurang efektif adalah tulisan aksara Jawa. untuk mengenali tulisan tangan yang Bagi manusia tentu tidaklah sulit untuk mengenali sebuah huruf tulisan sangat kompleks terutama dari segi bentuk dan ukuran seperti huruf Jawa. tangan walaupun berbeda-beda bentuk Dari permasalahan tersebut maka antara penulis satu penulis lain. penulis akan mencoba lain yang Namun hal itu menjadi sulit jika mesin bisa lebih efektif dalam pengenalan huruf yang berusaha untuk mengenali tulisan jawa tangan dari manusia yang berbeda-beda K-Nearest Neighbor antara satu dan yang lainnya. Dalam kasus dan deteksi tepi Sobel. tulisan tangan, yaitu ini lebih sulit jika tulisan tangan yang akan dikenali yaitu tulisan huruf Jawa. Saat ini telah banyak penelitian tentang bagaimana pengenalan/identifikasi II. METODE A. Flowchart Sistem melakukan tulisan tangan. Flowchart merupakan bagan-bagan yang mempunyai arus dan Banyak pula yang digunakan menggambarkan seperti Fuzzy Feature Extraction, dan penyelesaian suatu masalah. Flowchart klasifikasi Support Vector Machine merupakan cara penyajian dari suatu (SVM). yaitu algoritma. Flowchart adalah suatu teknik penelitian yang dilakukan oleh wibowo untuk menulis algoritma (2012) tentang pengenalan aksara jawa simbol tulisan panah (Wisnu, 2010). Feature Salah satu tangan penelitian Extraction Fuzzy chart langkah-langkah (gambar) Flowchart sistem berfungsi Jaringan Syaraf Tiruan Propagasi Balik memberikan akurasi 60%. Mulia (2012) juga program yang dibuat. Pada bagian ini akan telah tentang dijelaskan bagaimana proses pengolahan pengenalan karakter aksara Sunda tulisan data yang berupa citra, kemudian diolah cetak menggunkan pengolahan citra sehingga melakukan penelitian klasifikasi Support Vector Machine (SVM). dapat gambaran garis dihasilkan tentang alur kemampuan Akurasi terbaik terdapat pada ekstraksi 3
mengidentifikasi suatu objek. Berikut merupakan gambaran flowchart sistem : 8) End. B. Grayscale Grayscaling citra merupakan tahapan pertama dari proses penyelarasan, pada tahap ini terjadi pengkonversian citra warna RGB menjadi citra berwarna abuabu. Citra warna RGB terdiri dari tiga parameter warna yaitu merah (red), hijau (green) dan biru (blue), jika citra warna RGB ini dimasukan ke dalam proses ekstraksi, maka proses tersebut akan sulit untuk dilakukan karena citra RGB terdiri dari tinggi parameter, oleh karena itu diperlukan penyamaan parameter yaitu melakukan tahap grayscaling ini. Berikut ini adalah persamaan untuk menghitung citra grayscale: (Fragil dalam Gambar 1 Flowchart Sistem Balza Achmad, 2013 ). Keterangan gambar 1 : 1) Start. X= 2) Input citra tulisan tangan huruf jawa 3) Program meminta melakukan grayscaling. X = Nilai intensitas citra grayscale 4) Preprocessing melakukan deteksi sobel, proses merubah citra keabuan (grayscaling) menjadi citra tepi untuk memperoleh bagian detail dari citra operator sobel. hitung tiap partisinya. pecocokan R = Nilai intensitas warna merah dan citra asal G = Nilai intensitas warna hijau dan citra asal B = Nilai intensitas warna biru dan citra 5) Merubah ke dalam partisi 3x3 di 6) Melakukan (1) asal Berikut ini adalah contoh citra grayscale data dapat dilihat pada Gambar 2 di bawah ini: Euclidean distance. 7) Output berupa pengenalan huruf jawa. 4
Gambar 2 Contoh Grayscale C. Deteksi Tepi Sobel Metode pengembangan Berikut ini adalah contoh gambar deteksi Sobel merupakan robert tepi operator sobel dapat dilihat pada Gambar 3 dibawah ini : filter HPF yang diberi satu angka nol penyangga. Metode ini mengambil prinsip dari fungsi laplacian dan gaussian yang dikenal sebagai fungsi Gambar 3 Contoh Deteksi Sobel untuk membangkitkan HPF. Kelebihan dari sobel ini adalah kemampuan untuk mengurangi melakukan noise perhitungan D. Algoritma sebelum deteksi tepi. Peninjauan pengaturan pixel di sekitar pixelnya (x,y) adalah (Fadlisyah, dkk, Metode K-Nearest Neighbor (KNN) merupakan K-Nearest Neighbor klasifikasi yang mengelompokan data baru berdasarkan jarak data baru itu kebeberapa data/tetangga (neighbord) terdekat (Putra, 2008): Darma. 2010). Algoritma KNN bekerja sangatlah sederhana, bekerja berdasarkan jarak Operator sobel adalah magnitudo dari terdekat dari query instance ke training gradien yang dihitung : data untuk menentukan KNN-nya. Salah satu cara untuk menghitung jarak dekat M = atau Dalam hal ini turunan parsial dihitung : tetangga Euclidian Distance. di bawah ini merupakan rumus Euclidian Distance: Sx = ( p3 + cp4 + p5 ) ( p1 + cp8 + p7 ) Sy = ( p1 + cp2 + p3 ) ( p7 + cp6 + p5 Dengan jauhnya konstanta c = 2, ) ( ) (3) (2) sehingga terbentuk matrik operator sobel dapat di gambarkan seperti di bawah ini : 5
Keterangan : Pada form training pengguna Xik = nilai X pada training data memasukkan data gambar huruf jawa Xjk = nilai X pada testing data kemudian di grayscale, sobel dan di beri m = batas jumlah banyaknya data nama hurufnya jika sudah selesai gambar Jika semakin besar hasil nilai dari rumus di di atas maka akan semakin jauh tingkat database. Jika ingin menghapus data klik keserupaan antara data training dan data tombol hapus. testing dan sebaliknya jika hasil nilainya 2. Form Data Testing training dan akan tersimpan di semakin kecil maka akan semakin dekat Form data testing yaitu form yang tingkat keserupaan antar data training dan di gunakan untuk menguji/mencocokkan data testing. antara data training dan data testing tulisan III. HASIL DAN KESIMPULAN A. Tampilan Program Pada sistem pengenalan tulisan tangan huruf jawa, tampilan program dibuat desain yang sederhana tujuan untuk mempermudah penggunaannya. Berikut tampilan program Gambar 5 Tampilan Form Testing yang dibuat: Pada proses ini kita memilih data yang 1. Form Data Training akan diuji yang terdapat pada folder data Form data training yaitu form yang testing. Saat user mengetuk tombol di gunakan untuk memasukkan gambar testing, maka data citra tulisan tangan yang data training yang baru ke dalam database. akan diuji akan di proses sehingga Berikut tampilan dalam data training. menghasilkan identintas keterangan jarak tiap partisi kepada jarak dalam database. Jarak yang paling kecil itulah yang akan dipilih. B. Hasil Uji Coba Sistem Setelah dilakukan pengujian sistem pengenalan pola tulisan tangan huruf jawa, maka pada Gambar 4 Tampilan Data Training 6
uji coba ini di dapatkan hasil seperti tabel skenario dibawah ini : sebesar 85% 100 Tabel 1 Hasil Uji Coba ketiga diperoleh akurasi data training dan 20 data testing. Dari hasil pengujian yang dilakukan dapat di simpulkan bahwa K-Nearest Neighbor dapat digunakan untuk mengidentifikasi pengenalan huruf jawa dan nilai akurasi yang tinggi. Dari tabel 1 didapatkan tingkat akurasi tertinggi yaitu 85% data training 100 data dan uji coba di IV. lakukan 20 huruf jawa yang Achmad, Balza and Firdausy, Kartika berbeda karakter. Terdapat beberapa huruf (2013) Pengolahan Citra Digital yang terdeteksi benar dan beberapa huruf Menggunakan Delphi. Penerbit yang terdeteksi salah. Andi, Yogyakarta C. DAFTAR PUSTAKA Kesimpulan Dalam skripsi ini, aplikasi yang dibangun mempunyai kesimpulan. Kesimpulan Putra, Darma. 2010. Pengolahan Citra beberapa yang Digital (Westriningsih, Ed.). dapat Yogyakarta: Penerbit ANDI. disampaikan dalam penulisan skripsi ini adalah sebagai berikut: 1. Telah dihasilkan Listyanto, rancangan sistem Sebastian Rori. Implementasi 2015. K-Nearest pengenalan pola tulisan tangan huruf Neighbor untuk mengenali pola jawa K- citra dalam mendeteksi penyakit nearest neighbor untuk pengenalan kulit. huruf jawa. Sistem ini berfungsi untuk (http://eprints.dinus.ac.id/15325/ membantu dalam mengenali huruf jawa. ), diunduh 08 November 2016. 2. Telah di Tersedia: ketahui performa sistem pengenalan tulisan tangan huruf jawa (Online). K- Nearest Neighbor. Dari hasil pengujian Fadlisyah, dkk, 2008. Pengolahan Citra Menggunakan Delphi, Yogyakarta : Graha Ilmu pada skenario pertama diperoleh akurasi sebesar 40%. Pada skenario kedua diperoleh akurasi sebesar 55%. Pada 7
Gestama, Fragil Putra. 2015. Aplikasi Pengenalan Hijaiyah Anak Karakter Untuk Usia Huruf Pendidikan Dini (Paud). (Online).Tersedia:(https://simki. unpkediri.ac.idmahasiswa/file_a rtikel/2015/11.1.03.02.0173.pdf), diunduh 07 November 2016. 8