Oleh: Bakhtiar Arifin (1206 100 722)

Dosen Pembimbing: Prof. DR. M. Isa Irawan, MT

SISTEM PENGENALAN TULISAN TANGAN REAL TIME

MENGGUNAKAN METODE DOMINANT POINT DAN

JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT TEKNOLOGI SEPULUH NOPEMBER

SURABAYA

DAFTAR ISIPENDAHULUAN

LATAR BELAKANG

RUMUSAN MASALAH

BATASAN MASALAH

TUJUAN DAN MANFAAT

TINJAUAN PUSTAKA

KAJIAN TERDAHULU

METODE DOMINANT POINT

JARINGAN SYARAF TIRUAN LVQ

METODOLOGI PENELITIAN

RANCANGAN UMUM SISTEM

SEGMENTASI

METODE DOMINANT POINT

KLASIFIKASI

UJI COBA

PENGARUH LEARNING RATES

PENGARUH NILAI BATAS CANDIDATE SELECTION

UJI COBA KESELURUHAN

KESIMPULAN DAN SARAN

DAFTAR PUSTAKA

LATAR BELAKANG

Perkembangan Komuter

dan Device Pendukung

Pengenalan Tulisan Tangan

Real Time

Metode Dominant Point

Jaringan Syaraf Tiruan LVQ

RUMUSAN MASALAH

Berdasarkan latar belakang masalah di atas maka

diperoleh rumusan masalah sebagai berikut:

1. Bagaimana merancang dan membangun sistem

pengenalan tulisan tangan real time.

2. Bagaimana pengimplementasian metode dominant

point untuk ekstraksi ciri tulisan tangan real time.

3. Bagaimana pengimplementasian metode jaringan

syaraf tiruan learning vector quantization (LVQ) untuk

pengenalan karakter tulisan tangan real time.

BATASAN MASALAH

Batasan masalah pada penelitian ini antara lain sebagai

berikut:

1. Pengenalan karakter dilakukan denganmenggunakan jaringan syaraf tiruan learning vector quantization.

2. Karakter yang akan dikenali adalah data abjad A-Z, a-z, angka 0-9 dan beberapa simbol matematika (α, ß, γ, π, -, +,* , /, < dan >).

3. Pengenalan dilakukan per-karakter (Single Character Recognition).

4. Sistem akan diimplementasikan menggunakan Java Netbeans 6.8.

TUJUAN DAN MANFAAT

TujuanTujuan dari tugas akhir ini adalah perencanaan

dan pembuatan sistem pengenalan tulisan tangan realtime dengan menggunakan metode dominant point danjaringan syaraf tiruan learning vector quantization.

ManfaatSistem yang akan dibuat diharapkan dapat

menjadi alterantif dalam input data komputer selain darimengetik melalui keyboard. Selain itu dapat jugadigunakan sebagai acuan dalam pemilihan metodepengenalan tulisan tangan untuk pengembanganselanjutnya.

KAJIAN TERDAHULU

Asworo (2010)

• Perbandingan Antara Metode Kohonen Neural Network Dan Learning Vector Quantization PadaSistem Pengenalan Tulisan Tangan Secara Real Time

Achmad Fauzi A

(2010)

• Perangkat Lunak Pengkonversi Teks Tulisan TanganMenjadi Teks Digital

METODE DOMINANT POINT

Metode ini merupakan salah satu metode yangdigunakan untuk mengenali garis ataupun kurva. Darisemua titik-titik yang diterima sistem sebagai input akandipilih titik-titik yang merupakan local extrema kurva.Titik-titik inilah yang disebut dengan dominant points.Berdasarkan dominant points yang ada, ditentukan arahgerakan pena. Arah gerakan yang didapat akandicocokkan dengan reference yang dimiliki denganmenggunakan jaringan syaraf tiruan learning vectorquantization.

DOMINANT POINT

Dominant point adalah titik-titik yang termasuk

dalam kategori berikut ini: (a) titik awal dan titik akhir

goresan/stroke; (b) local extrema; (c) titik tengah yang

menghubungkan dua titik dari kategori (a) dan (b).

DIRECTION PRIMITIVES

Direction primitives digunakan untuk mengubaharah gerak ke dalam kode. Arah gerak yang dipakai ada8 macam, yaitu {E, SE, S, SW, W, NW, N, NE}. Arahgerak tersebut akan dikodekan ke dalam bilangan 0sampai 7. Setelah semua arah dikodekan, akandidapatkan chain code untuk setiap stroke

PEMBAGIAN AREA DIRECTION PRIMITIVES

JARINGAN SYARAF TIRUAN LVQ

Adapun algoritma dari LVQ adalah :

Langkah 1. Inisialisasikan vektor referensi dan learning rate,

Langkah 2. Selama kondisi berhenti bernilai salah, kerjakan

a. Inisialisasikan vektor referensi dan learning rate,

b. Temukan sehingga bernilai minimum

c. Perbaiki dengan :

1. jika T = maka

2. jika T maka

d. Kurangi learning rate

e. Tes kondisi berhenti

jc

jc

( ) ( ) ( )j j jw baru w lama x w lama

( ) ( ) ( )j j jw baru w lama x w lama

SKEMA UMUM RANCANGAN SISTEM

AKUSISI DATA

goresan ke-1titik ke-1 (x,y)titik ke-2 (x,y)titik ke-3 (x,y)...goresan ke-2titik ke-1 (x,y)titik ke-2 (x,y)titik ke-3 (x,y)...

SEGMENTASI

SEGMENTASI

(a) (b)

(c) (d)

Gambar 3.2. Ilustrasi proses segmentasi.a) Input Tulisan, b) Segmentasi Karakterc) Segmentasi Baris, d) Segmentasi Kata.

DOMINANT POINT

Normalisasi Data

Get Start and End Area

GET DOMINANT POINTS

4555555555554654554455454654544444444444444444444444434434343443333424343232323423332332432423322332324322223222322222222222222112212121122121212211102021111112010110110101101001010010010010000000000000000000000007070000670777070777707060670760777060770670

55555555555444444444444444444444433333332222222222222222222111111111000000000000000000000000007777777777

5432107

GET DOMINANT POINTS

(a) (b)Gambar 3.5. Ilustrasi proses dominant point

a) Input Karakter, b) Dominant Point

EKSTRAKSI CIRI

• Normalisasi Chain Code

55432107 555555444433332222111100007777

EKSTRAKSI CIRI

• Binerisasi

555555444433332222111100007777

101101101101101101100100100100011011011011010010010010001001001001000000000000111111111111

KLASIFIKASI

• Trainig LVQ

KLASIFIKASI

• Candidate Selection

Kriteria penilaian precandidate adalah denganmenggunakan jumlah stroke, start area dan end area.Jikakode area tepat sesuai dengan kode yang diinginkan,maka score-nya adalah 100, namun jika areanya bergeserke daerah yang di sebelahnya maka score yang diberikanadalah 50. Jika areanya melenceng jauh, maka score yangdiberikan adalah 0. Masing-masing score untuk kode areaakan dirata-rata sesuai dengan jumlah goresannya.

KLASIFIKASI

• Testing LVQ

UJI COBA

• Pengaruh Learning rates

UJI COBA

• Pengaruh Nilai Batas Candidate Selection

UJI COBA

UJI COBA

Terdapat beberapa hal yang menyebabkan sistem tidakberjalan dengan baik yaitu :a. Semakin banyak jenis karakter atau angka yang

dilatih maka persentase akurasi yang dihasilkan akansemakin berkurang. Hal ini disebabkan karenasemakin banyak karakter atau angka yang mirip arahgoresannya.

b. Penulisan dengan menggunakan mouse kurangmemberikan hasil yang baik karena user sulit untukmenyesuaikan antara karakter yang akan dilatih dandiuji.

KESIMPULAN

Dari implementasi dan uji coba sistem pengenalantulisan tangan secara real time dengan metode dominantpoint dan jaringan syaraf tiruan learning vector quantizationdiperoleh hasil pengenalan yang cukup baik. Akurasiyang diperoleh pada pengenalan 72 karakter dengan 720 data training sebesar 76%.

SARAN

1. Data yang digunakan untuk proses training masihkurang bervariasi.

2. Untuk lebih meningkatkan akurasi penenalantulisan, proses pengenalan bisa dilanjutkandengan proses postprocessing dengan mencocokkanhasil pengenalan kedalam database kamus untukmencari kata yang paling mendekati.

3. Pengenalan tulisan tangan untuk simbol-simbolmatematika masih bisa dilanjutkan untukpengenalan indeks, pangkat, matriks dan lainsebagainya.

DAFTAR PUSTAKA[1] Asworo. 2009. “Perbandingan Antara Metode Kohonen Neural Network dan Learning Vector Quantization Pada Sistem Pengenalan Tulisan Tangan Secara Real Time”. Tugas Akhir Jurusan Matematika FMIPA-ITS.

[2] Fausett, L. 1994. Fundamental of Neurall Network : Architectures, Algorithms, and Applications. Prentice Hall International, Inc.

[3] Fauzi, Ahmad. 2009. “Perangkat Lunak Pengkonversi Teks Tulisan TanganMenjadi Teks Digital”. Tugas Akhir Jurusan Matematika FMIPA-ITS.

[4] Kristanto, A. 2004. Pengantar Jaringan Syaraf Tiruan. Yogyakarta : GavaMedia.

[5] Li, X., Yeung, D.Y. 1996. On-line Handwritten alphanumeric Character Recognition Using Dominant Points in Strokes. <URL:http://www.cs.ust.hk/~dyyeung/paper/pdf/yeung,pdf>

[6] Soedjianto,F dkk. 2005. Pengenalan Tulisan Tangan Berdasarkan ArahGerakan Tangan menggunakan Metode Dominant Point. <URL:http://repository.petra.ac.id/141/>