Pengenalan Tulisan Tangan menggunakan Learning Vector Quantization

ABSTRAK

Informasi merupakan kebutuhan manusia, bukan saja pada abad modern ini, tetapi sejak manusia tercipta. Hal ini disebabkan, antara lain oleh adanya naluri ingin tahu yang menghiasi makhluk bernama manusia. Pengenalan tulisan tangan merupakan salah satu implementasi pengenalan pola yang sangat berperan untuk mempermudah dan meningkatkan kinerja dalam pengolahan data menjadi suatu informasi. Dalam penelitian pengenalan tulisan tangan ini disajikan suatu metode untuk mengenali huruf cetak dengan menggunakan algoritma jaringan syaraf tiruan (JST) Learning Vektor Quantization (LVQ). Berdasarkan kemampuan yang dimiliki, jaringan syaraf tiruan dapat digunakan untuk belajar dan menghasilkan aturan atau operasi dari beberapa data latih untuk menghasilkan output yang baik dari input yang dimasukkan.

Proses yang dilakukan untuk menghasilkan sebuah sistem pengenalan meliputi beberapa tahap, yaitu tahap pengolahan citra dan tahap pelatihan dan pengenalan. Tahap pengolahan citra dimulai dari Gray Scale, Thresholding, segmentasi, dan normalisasi. Pengolahan citra diperlukan untuk memudahkan pengolahan data gambar sebelum masuk dalam tahap pelatihan. Kemudian tahap kedua adalah pelatihan dan pengenalan. Pada tahap ini, metode LVQ mulai digunakan dan menentukan Bobot, Target Error, MaxEpoch, dan Laju Pelatihan (Learning rate). Data yang dijadikan sebagai input adalah citra huruf yang dinormalisasi sehingga berukuran 20x20 dan berekstensi Bitmap (.bmp).

Tolak ukur keberhasilan sistem pengenalan tulisan tangan ini adalah dengan menghitung nilai Termination Error Rate dan tingkat keakuratan dalam pengenalan tanda tangan. Dari penelitian ini diperoleh struktur JST dengan jumlah nilai learning rate 0,003 nilai target error 0,00001 dan jumlah epoch sebesar 10.000 karena dalam rentang epoch 1000 sampai 10000 perubahan epoch tidak mempengaruhi kinerja sistem. Sistem yang terbentuk mampu mengenali citra yang berisi huruf yang digunakan sebagai bobot dengan nilai keakuratan rata–rata sebesar 61,07% dan rata–rata keakuratan hasil pengenalan terhadap citra yang belum dilakukan pembelajaran sebesar 48,17%.

ABSTRACT

Information is a human need, not only in this modern age, but since man is created. This is due, among others, by the instinct to know that adorned creature called human. Handwritting recognition is one of the pattern recognition which has an important role in order to make data processing easily and effectively. In this handwritting recognition research is providing a method for recognizing a handwritting using neural network method using LVQ algorithm. According to the ability of the neural network, it can be used for learning and resulting the rule or operation of some samples, obtaining a perfect output from the inputs.

The process which is done to produce a recognition system consists of several stages, namely digital image processing, training, and recognition process. Digital image processing started with grayscaling the image, threshold it, cut it and normalize it by segmentation. Digital image processing is needed to make the image easy to process in the neural network processing. Thern the second stage is training process. In this process LVQ start to be used to get the knowledge, target error, and maximum iteration (MaxEpoch), and learning rate. The data used as input is image which is result of the normalization process with size of 20x20 and its extension is bitmap (*.bmp).

The success of this recognition system is by the termination error rate and calculates the accuracy of the recognition of handwritting recognition. From this research, the neural network structure that we get is 0,003 for learning rate,
0,00001 for the epsilon, and 10000 for the epoch, the writer choose this value for epoch because in the range of 1000 until 10000 there is no effect for the change of epoch to the system. The formed system is able to recognize image contain handwritting that are used as weight with the average accuracy value of 61,07% and for the image that never been trainined before its average accuracy value is 48,17%.