PENDAHULUAN

Latar Belakang
Pengenalan karakter dan potensi diri
melalui tulisan tangan merupakan penelitian
yang cukup penting. Ini disebabkan
banyaknya tes psikologi yang ditawarkan dan
disediakan untuk membantu mengenali
potensi diri, tetapi tidak banyak yang
menawarkan tes yang sederhana, dapat
dilakukan di mana saja, waktu pengerjaan
cepat, hasil instan tanpa harus bertatap muka,
dan yang paling penting keakuratannya lebih
dari 80%. Hanya grafologi yang menawarkan
ini dan analisis tulisan tangan pun dapat
menguak potensi dasar yang belum tergali
secara optimal dan mencari tahu mengapa hal
itu bisa terjadi (Rosette 2010).
Grafologi adalah ilmu yang mempelajari,
mengidentifikasi, menganalisis, mengevaluasi
dan mengetahui kepribadian sesorang melalui
pola tulisan tangannya. Tulisan tangan
mengungkapkan kepribadian sejati termasuk
emosi, ketakutan, kejujuran, pertahanan dan
banyak hal lainnya (Champa & Kumar 2010).
Bentuk tulisan tangan seperti sidik jari dan
DNA yang merupakan sesuatu yang unik dan
berbeda di setiap orang. Tahun 1875, Jean
Hyppolyte Michon memperkenalkan teori
pengenalan karakter seseorang melalui tulisan
ini yang dikenal dengan sebutan grafologi.
Sejak tahun 1985 grafologi digunakan dalam
ilmu kesehatan, pendidikan dan jurnalistik.
Bentuk tulisan tangan merupakan alat ukur
yang tidak dapat berbohong karena berasal
dari alam bawah sadar. Kecuali, proses syarafsyaraf pusat dalam sistem tubuh dan pikiran
bawah sadar dapat dikontrol. Bila seseorang
berusaha untuk mengubah tulisan tangannya,
hal tersebut dapat diidentifikasikan sebagai
ketidakjujuran. Apabila seseorang mengubah
bentuk tulisan secara permanen, format cara
berpikir pun harus diubah. Jadi, yang
dianalisis adalah bentuk, bukan isi tulisan
karena isi tulisan cenderung dapat direkayasa.
Grafologis dapat mempunyai penilaian
yang subjektif dalam menganalisis tulisan
tangan. Grafologis yang berbeda dapat
menganalisis tulisan tangan yang sama tetapi
memberikan hasil yang berbeda (Galbraith &
Guest 1994 yang diacu dalam Sheilkholeslami
et al). Keakuratan dari hasil analisis tulisan
tangan
bergantung
pada
kemampuan
grafologis itu sendiri (Champa & Kumar
2010). Oleh karena itu, dibutuhkan suatu
pemanfaatan teknologi komputer yang dapat

menerapkan ilmu grafologi untuk membantu

grafologis dalam menganalisis tulisan tangan.
Penelitian ini mencoba mengembangkan
metode analisis Grafologi dengan menguji
data tulisan tangan. Algoritme VFI5
digunakan pada penelitian ini, karena selain
merupakan algoritme klasifikasi algoritme ini
juga cukup kokoh terhadap fitur yang tidak
relevan tetapi memberikan hasil yang baik.
Pada data analisis tulisan tangan fitur yang
tidak relevan kemungkinan akan ada,
dikarenakan data anilisis dari pakar akan
berbeda-beda.
Penelitian sebelumnya tentang analisis
tulisan tangan yaitu penelitian Grafologi yang
pernah dilakukan yaitu tentang Artificial
Neural Network for Human Behavior
Prediction through Handwriting Analysis
(Champa & Kumar 2010). Pada penelitian ini
dilakukan analisis grafologi pada parameter
huruf t menggunakan jaringan syaraf tiruan
propagasi balik. Input berupa citra tulisan
tangan huruf t dan output yang dihasilkan
berupa karakter berdasarkan pada tekanan
pena, baseline dan tanda bar t dan ketinggian
huruf t orang tersebut.
Tujuan
Tujuan penelitian ini adalah melakukan
pengenalan tulisan tangan dengan citra
menggunakan algoritme VFI5.
Ruang Lingkup
Citra yang digunakan diperoleh dari 57
responden yang merupakan tulisan tangan tiap
orang yang berukuran, yaitu 40x40 piksel.
Penelitian ini juga dibatasi pada huruf yang
digunakan yaitu huruf a dan huruf t. Output
yang diperoleh dikelompokkan ke dalam tiga
kelas pada masing-masing huruf a dan huruf t.
Manfaat Penelitian
Manfaat dari penelitian ini adalah untuk
membantu grafologis dalam menganalisis
tulisan tangan.
TINJAUAN PUSTAKA
Grafologi
Analisis Tulisan Tangan atau Grafologi
adalah
ilmu
yang
mempelajari,
mengidentifikasi, menganalisis, mengevaluasi
dan mengetahui kepribadian sesorang melalui
pola tulisan tanganya. Tulisan tangan
mengungkapkan kepribadian sejati termasuk
emosi, ketakutan, kejujuran, pertahanan dan
1

banyak hal lainnya. Analisis tulisan tangan

bukan dokumen periksaan, yang dapat
mengidentifikasi siapa penulis dari contoh
tulisan tangan tersebut (Champa & Kumar
2010).
Tulisan tangan sering disebut sebagai
tulisan otak karena setiap ciri kepribadian
diwakili oleh pola saraf otak. Setiap pola saraf
otak menghasilkan gerakan neuromuskular
yang unik untuk setiap orang yang memiliki
ciri kepribadian tertentu. Saat menulis, terjadi
gerakan-gerakan kecil secara tidak sadar.
Setiap menulis gerakan atau goresan
mengungkapkan ciri kepribadian tertentu.
Dengan kata lain, grafologi adalah ilmu yang
mengidentifikasikan pola yang muncul dalam
tulisan tangan dan menggambarkannya sesuai
sifat kepribadian. Orang yang mempelajari
grafologi
disebut
grafologis.
Akurasi
grafologis dalam menganalisis tulisan tangan
tergantung pada keterampilan grafologis itu
sendiri (Champa & Kumar 2010).
Huruf a
Dalam grafologi banyak huruf yang
memberi
petunjuk
tentang
ciri-ciri
kepribadian. Salah satunya adalah huruf a.
Huruf a dalam grafologi termasuk kedalam
huruf kecil spesifik. Pada Tabel 1 akan
dijelaskan beberapa bentuk huruf a beserta
penggambaran karakternya (Amend & Ruiz
1980).
Tabel 1 Bentuk huruf a dan karakternya.
Bentuk Huruf
Karakter
cenderung tertarik pada
kegiatan yang
berhubungan dengan
a balok
seni, musik, budaya, dan
sastra
Kedermawanan,
keterusterangan,
kejujuran, dan ketulusan.
a terbuka atas
Takut salah, tertutup
individu ini akan jujur
dan terus terang jika
a sangat
ditanya mengenai
tertutup
pendapatnya, berbeda
dengan huruf a terbuka
di atas yang jujur dalam
mengemukakan pendapat
secara sukarela tanpa
diminta.
Huruf t
Sejauh ini, banyak analisis tulisan tangan
yang menganggap huruf t merupakan huruf

dari abjad yang secara grafologis paling

penting. Dalam tulisan tangan seseorang,
panjang, tekanan, penempatan, dan bentuk
dari silangan huruf t memperlihatkan irama
dan kekuatan kehendak yang ada di baliknya.
Penempatan ruji t pada batangnya merupakan
petunjuk utama terhadap sasaran-sasaran
individual. Ada lebih dari 50 cara yang
berbeda untuk menyilangkan huruf t dan
seorang penulis akan sering mengubah atau
memodifikasi gayanya seiring berubahnya
kepribadian, atau karena kesehatanya yang
berubah. Beberapa bentuk dan penggambaran
karakter akan dijelaskan pada Tabel 2 (Amend
& Ruiz 1980).
Tabel 2 Bentuk huruf t dan karakternya.
Bentuk Huruf

Ruji t lurus

Ruji t naik

Ruji t turun

Karakter
Ambisi: Balance,
terkontrol
Ruji t yang horizontal
menunjukkan
individu yang tenang
dan dapat
mengendalikan diri
dalam berfikir dan
bertindak.
Ambisi: Optimisme,
semangat,
antusiasme, ambisi
Individu yang
optimis, dinamis, dan
termotivasi. Selain
itu, menggambarkan
pribadi yang
bersemangat dan
percaya diri, dan
antusias.
Ambisi: Pesimis,
kurang termotivasi.
Individu yang suka
bergantung pada
orang lain, mudah
putus asa dan pasrah.

Citra Digital
Citra dapat didefinisikan sebagai fungsi
dua dimensi, f(x,y), dimana x dan y adalah
koordinat spasial dan amplitudo dari f pada
setiap pasangan koordinat (x,y) yang disebut
intensitas atau derajat keabuan sebuah citra.
Ketika x,y dan nilai amplitudo f bernilai
terbatas dan diskret, maka citra tersebut
disebut citra digital (Gonzalez & Woods
2002).
Citra digital terdiri dari sejumlah elemen
yang terbatas, dimana setiap elemen memiliki
lokasi tertentu dan nilai yang khusus. Elemen
2

ini disebut sebagai picture elements, image

elements, pels atau pixels. Pixel adalah istilah
yang paling sering digunakan untuk
menunjukkan elemen dari sebuah citra digital
(Gonzalez & Woods 2002).
Pengolahan Citra
Pengolahan citra digital merupakan proses
yang masukan dan keluaranya adalah citra dan
meliputi proses pengekstrakan atribut dari
citra dan pengenalan citra. Selain itu, yang
dimaksud dengan pengolahan citra digital
biasanya
adalah
pengolahan
citra
menggunakan komputer digital (Gonzalez &
Woods 2002).
Klasifikasi
Klasifikasi merupakan serangkaian proses
untuk menemukan sekumpulan model yang
merepresentasikan dan membedakan kelaskelas data. Klasifikasi ini bertujuan agar
model tersebut dapat digunakan untuk
memprediksi kelas dari suatu data yang label
kelasnya tidak diketahui (Han & Kamber
2006).
Klasifikasi terdiri atas dua tahap, yaitu
pelatihan dan klasifikasi. Tahap pelatihan,
menggunakan beberapa algoritme, dan
dibentuk sebuah model domain dari setiap
data pelatihan yang label kelasnya sudah
diketahui. Tahap klasifikasi, menggunakan
model dan mencoba untuk memprediksi kelas
yang baru dari label kelas yang sudah
diketahui sebelumnya (Gvenir & Demiroz
1998)
Voting Feature Intervals (VFI5)
Algoritme Voting Feature Interval
merupakan algoritme klasifikasi yang
merepresentasikan deskripsi sebuah konsep
dengan sekumpulan interval nilai fitur.
Klasifikasi sebuah instance baru didasarkan
pada vote klasifikasi yang dibuat oleh nilai
setiap fitur secara terpisah. VFI5 merupakan
algoritme klasifikasi yang bersifat nonincremental, yaitu semua data training
diproses secara bersamaan. Setiap contoh data
training direpresentasikan sebagai nilai-nilai
fitur sebuah vektor nominal (diskret) atau
linear (kontinu) disertai sebuah label yang
merepresentasikan kelas contoh data. Dari
contoh pelatihan, algoritme VFI5 membentuk
interval untuk masing-masing fitur (Gvenir,
Demiroz & Ilter 1998).
Interval yang dibuat dapat berupa range
interval atau point interval. Range interval
didefinisikan sebagai nilai antara dua end

point yang berdekatan tetapi tidak termasuk

kedua end point tersebut, sedangkan point
interval didefinisikan sebagai seluruh end
point secara berturut-turut. Untuk setiap
interval, vote tiap kelas disimpan untuk tiap
intervalnya. Dengan demikian, interval dapat
mewakili beberapa kelas dengan menyimpang
vote untuk setiap kelas. Algoritme VFI5
terdiri atas tahap pelatihan dan klasifikasi
(Gvenir, Demiroz & Ilter 1998).
1.

Pelatihan
Langkah pertama pada pelatihan adalah
menemukan end point untuk setiap kelas c
pada setiap fitur f. End point kelas c yang
ditentukan merupakan nilai terendah dan
tertinggi pada fitur linear f pada beberapa
contoh kelas yang diamati. Pada end point
dimensi fitur nominal f pada kelas c yang
diberikan adalah semua nilai yang berbeda
dari f pada beberapa instance yang diamati.
End point dari masing-masing fitur f disimpan
dalam array EndPoint[f]. Pada setiap fitur
linear terdapat end point sebesar 2k, dimana k
adalah jumlah kelas. End point pada setiap
dimensi fitur diurutkan untuk menjadi fitur
linear. Jika fitur adalah fitur linear, maka point
interval terdiri dari setiap end point yang
berbeda dan range interval dibentuk di
antaranya. Jika fitur adalah fitur nominal, tiap
end point yang berbeda merupakan point
interval.
Selanjutnya jumlah instance pelatihan
pada tiap interval dihitung dan jumlah
instance kelas c dalam interval i dari fitur f
direpresentasikan
sebagai
interval_class_count[f, i, c]. Untuk setiap
instance pelatihan, dimana interval i yang
merupakan nilai untuk fitur f dari instance
pelatihan e (ef) tersebut berada. Jika interval i
adalah point interval dan ef sama dengan batas
bawah (yang sama dengan batas atas pada
point interval), jumlah kelas instance (ef) di
interval i ditambah 1. Jika interval i adalah
range interval dan ef berada pada batas
bawah interval tersebut , maka jumlah kelas ef
di interval i ditambah dengan 0.5. Tapi jika ef
berada pada interval i, maka jumlah kelas ef
dalam interval ditambah dengan 1.
Untuk menghilangkan efek perbedaan
distribusi, jumlah instance kelas c untuk fitur f
pada interval i dinormalisasi dengan membagi
total jumlah instance dari kelas c dengan
class_count[c].
Hasil
normalisasi
ini
dinotasikan sebagai interval_class_vote[f, i,
c].
Selanjutnya
nilai-nilai
interval_class_count[f, i, c] dinormalisasi
sehingga jumlah vote beberapa kelas pada tiap
3

fitur sama dengan 1. Tujuan normalisaso ini

adalah agar tiap fitur mempunyai kekuatan
voting yang sama pada proses klasifikasi dan
tidak dipengaruhi oleh ukuran fitur tersebut.
Proses pelatihan dalam algoritme VFI5 dapat
dilihat di bawah ini :
train(TrainingSet):
begin
for each feature f
for each class c
endPoints[f] = EndPoints[f] U
find_end_points(TrainingSet, f, c);
sort(EndPoints[f]);
if f is linear
for each end point p in EndPoints[f]
form a point interval from end point p
form a range interval between p and
the next end point p
else /* f is nominal */
each distinct point in EndPoints[f]
forms a point interval
for each interval i on feature dimension f
for each class c
interval_count[f, i, c] = 0
count_instances(f, TrainingSet);
for each interval i on feature dimension f
for each class c
interval_vote[f, i, c] =
interval_count[f, i, c] / class_count[c]
normalize interval_vote[f, i, c]; /* such
that c interval_vote[f, i, c] = 1 */
end.
2. Klasifikasi
Proses ini dimulai dengan menginisialisasi
vote dari setiap kelas dengan nilai nol. Pada
tiap fitur f dicari interval i dimana nilai ef
jatuh, dimana ef merupakan nilai fitur f dari
instance uji e. Jika nilai ef tidak diketahui
(hilang), maka nilai ef tersebut akan diabaikan
dengan memberikan vote nol pada tiap kelas.
Jika ef diketahui maka interval i dapat
ditemukan. Interval dapat berisi instance
pelatihan beberapa kelas. Kelas dalam interval
direpresentasikan oleh vote pada interval
tersebut. Untuk setiap kelas c, fitur f
memberikan vote yang sama dengan
interval_class_vote[f, i, c]. Notasi ini dapat
direpresentasikan sebagai kelas c yang
diberikan vote fitur f.
Tiap fitur f mengumpulkan vote untuk
kelas c yang disimpan dalam feature_vote[f,
c], selanjutnya vote tersebut dinormalisasi
sehingga nilai vote dari fitur f sama dengan 1.

Setiap fitur f mengumpulkan vote yang

disimpan dalam sebuah vektor <votef,1, ...,
votef,k >, dimana votef,c dengan c adalah vote
fitur f untuk kelas c dan k yang merupakan
jumlah kelas. Setelah sejumlah fitur vektor
vote dijumlahkan untuk mendapatkan total
vektor vote <vote1, ..., votek>. Kelas dengan
vote tertinggi dari total vektor vote akan
menjadi kelas dari instance uji e. Klasifikasi
dalam algoritme VFI5 dapat dilihat di bawah
ini:
classify(e): /* e: example to be classified */
begin
for each class c
vote [c] = 0
for each feature f
for each class c
feature_vote[f, c] = /* vote of feature
f for class c */
if ef value is known
i = find_interval(f, ef)
for each class c
feature_vote[f, c] = interval_vote[f, i,
c]
vote[c] = vote[c] + feature_vote[f, c]
* weight[f];
return the class c with highest vote[c];
end.
Confusion Matrix
Confusion matrix merupakan sebuah tabel
yang terdiri atas banyaknya baris data uji yang
diprediksi benar dan tidak benar oleh model
klasifikasi. Tabel ini diperlukan untuk
menentukan kinerja suatu model klasifikasi
(Tan, Steinbach & Kumar 2005). Contoh
confusion matrix dapat dilihat pada Tabel 3.
Tabel 3 Confusion matrix untuk data dua kelas
Kelas Prediksi
Kelas 1
Kelas 2
Kelas
Kelas 1
a
b
Aktual
Kelas 2
c
d
Akurasi hasil klasifikasi dari confusion
matrix dihitung dengan rumus :
a+d
Akurasi =
x 100%
a+b+c+d
METODE PENELITIAN
Metodologi
yang
digunakan
pada
penelitian ini terdiri atas beberapa tahap.
4