PENGENALAN POLA TULISAN TANGAN HURUF HIJAIYAH DENGAN MENGGUNAKAN METODE EKSTRAKSI FITUR ZERNIKE MOMENT

Elvira Sukma Wahyuni

Abstract


Pengenalan pola tulisan tangan merupakan salah satu objek penelitian yang banyak dilakukan oleh para peneliti. Beberapa karakter huruf hujaiyah memiliki pola yang hampir mirip dan terkadang sulit dibedakan. pada penelitian ini akan dilakukan pengenalan pola huruf hijaiyah dengan menggunakan metode ekstraksi fitur zernike moment. Metode zernike moment telah sukses diaplikasikan pada beberapa kasus pengolahan citra, prinsip kerja metode ini adalah menggunakan invarian rotasi citra untuk mengenali pola yang diinginkan. Data yang digunakan pada penelitian ini adalah tulisan tangan huruf hijaiyah yang diambil secara offline dari 10 tulisan tangan responden yang berbeda. Setelah dilakukan ekstraksi fitur dengan metode zernike moment, pola tulisan tangan huruf hijaiyah akan diklasifikasi dengan menggunakan beberapa metode klasifikasi yaitu JST (Jaringan Syaraf Tiruan), Support Vector Machine (SVM) dan Decision tree . Hasil akhirnya akan dianalisi seberapa besar keakuratan pengenalan pola tulisan tangan huruf hijaiyah yang diperoleh dari metode yang diusulkan. Hasil yang diporoleh menunjukkan metode JST dapat mengenali pola tulisan tangan huruf hijaiyah dengan rata-rata akurasi 96% dengan akurasi tertinggi pada salah satu pengujian sebesar 100%, SVM mendapatkan rata-rata akurasi 95% dengan akurasi tertinggi pada salah satu pengujian sebesar 100% dan decision tree memperoleh rata-rata akurasi 86% dengan akurasi tertinggi pada salah satu pengujian sebesar 95%

Full Text:

PDF

References


U. Pal, T. Wakabayashi, and F. Kimura. Comparative Study of Devnagari Handwritten Character Recognition using Different Feature and Classifiers, 10th International Conference on Document Analysis and Recognition. 2009. [2] M. Kumar., M. K. Jindal, and R. K. Sharma. k -Nearest Neighbor Based Offline Handwritten Gurmukhi Character Recognition, International Conference on Image Information Processing. 2011. [3] S. R Patel and J. Jha, Handwritten Character Recognition using Machine Learning Approach - A Survey, International Conference on Electrical, Electronics, Signals, Communication and Optimization. 2015. [4] K.V. Kale, P. D. Deshmukh and S. V. Chavan, Zernike Moment Feature Extraction for Handwritten Devanagari Compound Character Recognition. Science and Information Conference. 2013. London. [5] Z. Zulkifli, P. Saad and I. A. Mohtar, Plant Leaf Identification using Moment Invariants & General Regression Neural Network, IEEE. 2011. [6] Abdul Kadir dan Adhi Susanto, Pengolahan Citra Teori dan Aplikasi.: Andi Offset, 2013. [7] Jong Tjek Siang, Neural Network and MATLAB Programming. Yogyakarta, Indonesia, Indonesia: ANDI Offset, 2002. [8] G. Schaefer and T. Nakashima, “Hybrid cost-sensitive fuzzy classification for breast cancer diagnosis,” in 2010 Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2010, pp. 6170–6173.

A. S. N. Dwi Handoko and Arief Budi Witarto, “Support Vector Machine : teori dan aplikasinya dalam bioinformatika,” [Online], Available : http://asnugroho.net/papers/ikcsvm.pdf. [10] T. Hastie, R. Tibshirani, and J. Friedman, “Support Vector Machines and Flexible Discriminants,” in The Elements of Statistical Learning, Springer New York, 2009, pp. 417–458.




DOI: https://doi.org/10.22219/sentra.v0i2.1845

Refbacks

  • There are currently no refbacks.


Seketariat

Fakultas Teknik

Universitas Muhammadiyah Malang Kampus III

Jl. Raya Tlogomas 246 Malang, 65144