BAB III Tinjauan Pustaka - G11fra
BAB III Tinjauan Pustaka - G11fra
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
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
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