Pengenalan citra huruf Alphabet tulisan tangan menggunakan Metode Naïve Bayes Classifier

INDONESIA :

Perkembangan teknologi yang sangat pesat saat ini tidak membuat pendokumentasian data/informasi dengan tulisan tangan dihilangkan. Bahkan dalam berbagai penelitian, menulis dengan tangan terbukti memiliki efek yang sangat baik untuk kecerdasan otak. Dalam penelitian ini akan dibangun aplikasi pengenalan tulisan tangan menggunakan metode Naïve Bayes Classifier dengan data training sebanyak 468 data dengan masing – masing huruf terdiri dari 18 sampel yang digunakan untuk pelatihan sistem. Dalam pengenalan pola, data training memiliki peran yang sangat penting dalam menentukan akurasi sistem, selain itu ukuran dimensi pixel baris dan kolom citra juga sangat berpengaruh. Dari hasil uji coba terhadap data training diperoleh akurasi training terbaik dengan dimensi baris dan kolom 7x4 sebesar 81,1966%. Dan berdasarkan hasil uji coba testing dengan inputan berupa citra huruf sebanyak 104 data diperoleh akurasi sebesar 79,81% dengan 83 jawaban benar dan 21 jawaban salah. Sedangkan pada uji coba dengan input berupa kata dan kalimat yang terdiri dari 173 huruf dan tanpa ROI diperoleh akurasi 27,75% dengan jumlah jawaban benar sebanyak 48 dan jawaban salah sebanyak 125 huruf, sedangkan dengan inputan yang sama dan dengan tambahan ROI diperoleh akurasi yang lebih baik yaitu 63,01% dengan 109 huruf yang berhasil dikenali dengan benar dan 64 huruf yang tidak dapat dikenali dengan benar.

ENGLISH :

The currently rapid development of technology does not eliminate documentation of data / information by the handwriting. Even in the variety of researches, handwriting is to be proved as having a very good effect on human’s intelligence. The application of handwriting within Naïve Bayes Classifier method with 468 training data which each letter is composed by 18 samples will be analyzed in this research). In the pattern’s recognition, training data is the most important role in determining the accuracy of the system. Also, the size of the pixel dimensions of the image is highly influenced. From the test results of the training data obtains accuracy of the best training with dimensions 7x4 rows and columns of 81,1966%. Moreover, the results of trials testing with 104 letters image obtain an accuracy of 79,81% with 83 correct answers and 21 incorrect answers. While on trial with the input of a word and a sentence image composes 173 letters without ROI obtains an accuracy of 27.75% with the letters that can be recognized correctly by 48 letters and the number of letters that cannot be recognized as much as 125 letters. However, with the similar input and additional ROI obtained better accuracy is 63.01% with 109 letters that successfully detected properly and the 64 letters that cannot be recognized correctly.