SNPPTI 2010

ISSN: 2086-2156

Identifikasi Citra Tulisan Tangan dengan Metode

Alihragam Gelombang Singkat untuk Memprediksi
Kematangan Emosional
Supatman
Jurusan Teknik Informatika, Fakultas Teknik dan Ilmu Komputer
Universitas Mercu Buana Yogyakarta
Jl. Wates Km. 10 Yogyakarta, Telp. 0274-6498211,6498212, Fax. (0274)-6498213
E-mail : supatman@telkom.net, keliksupatman@yahoo.com
Abstrak -- Tulisan tangan yang ditulis oleh
setiap orang memikili keunikan tersendiri
sehingga
dijadikan
salah
satu
metode
pemerikasaan klinis secara psikologi. Tulisan
tangan dapat dijadikan suatu citra (image) yang
dapat diolah dengan metode image processing.
Dengan metode alihragam gelombang singkat
sebagai pre-processing citra yaitu dengan
dekomposisi citra 2D maka dihasilkan citra akhir
dan divektorkan sebagai feature vektor. Feature
vektor selanjutnya dijadikan vektor masukkan
Learning Vector Quantization untuk memprediksi
kematangan citra tes dari tulisan tangan yang
baru. Dengan data 71 ( 24 data pelatihan dan 47
data uji) perangkat lunak (algoritma) mampu
mendeteksi data uji dengan kategori kematangan
emosional Baik dan Kurang secara berurutan
100% dan 42.85% dengan rata-rata kemampuan
deteksi dari data pengujian mencapai 71.42%.
Kata Kunci : Tulisan Tangan, Alihragam
Gelom-bang Singkat, LVQ.

sangat memakan waktu yang lama dan sering terjadi

pula perbedaan interpretasi terhadap satu sketsa figur
manusia tersebut[4].
Tulisan tangan yang ditulis oleh setiap orang
memikili keunikan tersendiri sehingga dijadikan salah
satu metode pemerikasaan klinis secara psikologi.
Tulisan tangan dapat dijadikan suatu citra (image)
yang dapat diolah dengan metode image processing
dan dengan bantuan metode wavelet serta jaring saraf
tiruan Learning Vector Quantization (LVQ) dapat
didesain suatu perangkat lunak terhadap citra tulisan
tangan yang dapat mengenali suatu citra tulisan tangan
yang baru (melalui learning) sehingga dapat secara
langsung menginterpretasikan tulisan tangan tersebut
dan menentukan sifat kepribadian kemataangan
emosional seseorang.
II. TINJAUAN PUSTAKA
2.1 Tulisan Tangan
Dalam buku Grafologi Seni Menilai Kepribadian
Seseorang Melalui Tulisan Tangan, Susan Salsabilla
berusaha untuk menggariskan suatu metode analisa
kepribadian berdasarkan interpretasi tulisan tangan.
Telah lama diketahui bahwa individu-individu
memperlihatkan aspek-aspek penting dari kepribadian
mereka dalam tulisan-tulisan yang digoreskan. Apa
yang dirasakan kurang adalah taraf sistematisasi
analisa suatu produk grafis yang komprehensif, dapat
dikomunikasikan dan juga tidak berat sebelah dalam
menggambarkan kerumitan kepribadian [7].
Citra (image) istilah lain untuk gambar sebagai
salah satu komponen multimedia memegang peranan
sangat penting sebagai bentuk informasi visual. Citra
mempunyai karakteristik yang tidak dimiliki data teks,
yaitu citra kaya dengan informasi. Ada sebuah
peribahasa yang berbunyi sebuah gambar lebih
bermakna dari seribu kata (a picture is more than a
thousand words). Maksudnya sebuah gambar dapat
memberikan informasi yang lebih banyak dari pada
informasi tersebut dalam bentuk kata-kata (tekstual)
[5].
2.2 Histori Penelitian
Peneliti pendahulu yang membahas sifat
kepribadian dengan melakukan analisa citra hasil tes

I. LATAR BELAKANG
Karakteritik dari image dengan metode image
processing dapat memberikan informasi tentang
sesuatu yang berhubungan dengan keberadaannya.
Seseorang melakukan tes psikologi dengan membuat
sketsa figur manusia dapat memberikan informasi
karakteristik kepribadian yang menggambarnya[4].
Sifat kepribadian tersebut meliputi: kematangan
emosi, kemampuan sosial, daya tahan terhadap stres,
manajemen konflik, pemecahan masalah, pengambilan
keputusan, tanggung jawab dan inisiatif. Selain sketsa
figur manusia, untuk mengetahui kepribadian sesorang
dapat dilakukan juga melalui analisa tulisan tangan
yang ditulis pada kertas putih dengan pensil 2B [7].
Sifat kepribadian seseorang memiliki katagori (SK
= Sangat Kurang, K = Kurang, C = Cukup, B = Baik,
SB = Sangat Baik). Secara manual, Psikolog akan
menginterpretasikan citra tulisan tangan menjadi
sebuah katagori tersebut di atas. Sering kali Psikolog
harus membuka buku, ataupun mengundang beberapa
Psikolog untuk bersama - sama menginter-pretasikan
sketsa tulisan tangan yang dihadapi. Langkah ini
74

SNPPTI 2010

ISSN: 2086-2156

psikologi dengan dengan pendekatan pengolahan citra

digital dan jaring saraf tiruan adalah: Identifikasi citra
sketsa figur manusia dengan metode PCNN untuk
memprediksi sifat kepribadian daya tahan terhadap
stres[10], dengan keberhasilan indentifikasi mencapai
73,05%.
2.3 Landasan Teori
2.3.1 Format Citra
2.3.1.1 Komponen Citra Digital
Citra adalah representasi dua dimensi untuk bentuk
fisik nyata tiga dimensi. Citra dalam perwujudannya
dapat bermacam-macam, mulai dari gambar hitamputih pada sebuah foto (yang tidak bergerak) sampai
pada gambar berwarna yang bergerak pada pesawat
televisi. Proses transformasi dari bentuk tiga dimensi
ke bentuk dua dimensi untuk menghasilkan citra akan
dipengaruhi oleh bermacam-macam faktor yang
mengakibatkan penampilan citra suatu benda tidak
sama persis dengan bentuk fisik nyatanya.
Citra digital (digital image) adalah citra kontinyu
f(x,y) yang sudah didiskritkan baik koordinat spasial
maupun tingkat kecerahannya. Setiap titik biasanya
memiliki koordinat sesuai dengan posisinya dalam
citra. Koordinat ini lazimnya dinyatakan indeks x
dan y hanya bernilai bilangan bulat positif, yang
dapat dimulai dari 0 atau 1. Citra digital (yang
selanjutnya disingkat citra ) dapat dianggap sebagai
matrik ukuran M x N yang baris dan kolomnya
menunjukkan titik-titiknya yang diperlihatkan pada
persamaan 1[5][8][9][10] :
0
,0
)
f(
0
,1
) ... f(
0
,N

1
)
f(

1
,0
)
f(
1
,1
) ... f(
1
,N

1
)
f(
X=f(x,y)=
...
... ... ...

f(
M

1
,0
) f(
M

1
,1
) ...
f(
M

1
,N

1
)

Kecerahan dari citra direpresentasikan pada nilai

tiap-tiap pikselnya. Semakin tinggi nomor pikselnya
maka makin terang (putih) citra tersebut. Sedangkan
semakin kecil nilai suatu piksel, mengakibatkan warna
pada citra tersebut menjadi gelap. Sistem skala
kecerahan yang umum terdapat 256 tingkat untuk
setiap piksel dan dikenal sebagai grayscale.
2.3.2 Dekomposisi Gelombang Singkat
Gelombang-singkat merupakan nama untuk
fungsi-fungsi yang memiliki nilai tidak nol hanya
dalam waktu tertentu (untuk waktu selebihnya,
nilainya nol). Nama gelombang-singkat merupakan
terjemahan wavelet (yang juga identis dengan small
wave). Dalam bahasa Prancis, gelombang-singkat
disebut ondelette [9].
Daubechies [9] menyatakan bahwa alihragam
gelombang-singkat merupakan alat yang biasa
digunakan untuk menyajikan data atau fungsi atau
operator ke dalam komponen-komponen frekuensi
yang berlainan, dan kemudian mengkaji setiap
komponen dengan suatu resolusi yang sesuai dengan
skalanya. Dalam prakteknya, alihragam ini banyak
dipakai untuk analisis dan representasi isyarat.
Chui
[9]
menyatakan
bahwa
alihragam
gelombang-singkat
mempunyai
kemampuan
membawa keluar ciri-ciri (feature) khusus dari citra
yang diteliti.
Gelombang-singkat merupakan keluarga fungsi
yang dihasilkan oleh suatu gelombang basis (x) yang
disebut gelombang-singkat induk (disebut mother
wavelet). Dua kunci utama yang mendasari
gelombang-singkat adalah:
1) penggeseran, misalnya (x-1), (x-2), dan (x-b),
serta
2) penyekalaan, misalnya (2x), (4x), dan (2j x).
Kombinasi
kedua
operasi
inilah
yang
menghasilkan keluarga gelombang-singkat. Dalam
banyak literatur disebutkan bahwa dua keuntungan
utama yang ditawarkan oleh gelombang-singkat, yaitu
memungkinkan pelokalisasian frekuensi-waktu dan
mendukung algoritma cepat [9].
2.3.4 Pengenalan Pola
Teknik pengenalan pola adalah suatu komponen
sistem kecerdasan buatan yang penting dan digunakan
untuk pra-pengolahan data dan membuat keputusan.
Secara garis besar metode pengenalan pola dibagi atas
tiga kelompok. Ketiga kelompok ini dibagi
berdasarkan pendekatan yang digunakan, yaitu :
Statistis, Sintaktis dan Jaring Saraf Tiruan
Pengenalan pola menggunakan pendekatan
statistik atau disebut teori keputusan, bilamana
struktur dan ciri tidak terlalu penting. Hal ini
merupakan kebalikan pengenalan pola dengan
menggunakan pendekatan sintaktis. Pada pendekatan
sintaktis/struktural, dicari ciri yang unik pada citra,
yang dapat dimanfaatkan pada proses pengenalan
pola. Sedangkan pendekatan jaring saraf tiruan

(1)

Setiap titik memiliki nilai berupa angka

digital yang merepresentasikan informasi yang
diwakili titik tersebut. Format nilai piksel sama
dengan format citra keseluruhan. Pada kebanyakan
sistem pencitraan, nilai ini biasanya berupa bilangan
bulat positif.
2.3.1.2 Representasi Citra Digital
Komputer dapat mengolah sinyal-sinyal elektronik
digital yang merupakan kumpulan sinyal biner
(bernilai dua: 0 dan 1). Citra digital harus mempunyai
format tertentu yang sesuai sehingga dapat
merepresentasikan obyek pencitraan dalam bentuk
kombinasi data biner.
Dalam citra berwarna, jumlah warna dapat
beragam mulai dari 16, 256, 65536 atau 16 juta warna
yang masing-masing direpresentasikan oleh 4,8,16
atau 24 bit data untuk setiap pikselnya. Warna yang
ada terdiri dari 3 komponen utama yaitu nilai merah
(red), nilai hijau (green) dan nilai biru (blue). Paduan
ketiga komponen utama pembentuk warna tersebut
dikenal sebagai warna RGB.
2.3.1.3 Tingkat Abu-abu (Grayscale)
75

SNPPTI 2010

ISSN: 2086-2156

menggunakan matrik bobot untuk proses pengenalan

polanya.
2.3.4.1 Learning Vector Quantization (LVQ)
Berbagai teori, arsitektur, dan algoritma jaring
saraf tiruan digunakan dalam klasifikasi dan
pengenalan pola, salah satu diantaranya adalah jaring
Learning Vector Quantization (LVQ).
LVQ adalah suatu metoda klasifikasi pola yang
masing-masing unit keluaran mewakili kategori atau
kelas tertentu (beberapa unit keluaran digunakan
untuk masing-masing kelas). Vektor bobot untuk
suatu unit keluaran sering dinyatakan sebagai sebuah
vektor referens. Diasumsikan bahwa serangkaian pola
pelatihan dengan klasifikasi yang tersedia bersama
dengan distribusi awal vektor referens [2].
Setelah
pelatihan,
jaring
LVQ
akan
mengklasifikasikan
vektor
masukan
dengan
menugaskan pada kelas yang sama sebagai unit
keluaran. Pada dasarnya LVQ merupakan suatu
metoda pelatihan terhadap lapisan-lapisan kompetitif
yang terbimbing. Dikatakan terbimbing karena
menggunakan klasifikasi target keluaran yang
diketahui untuk setiap pola masukan. Apabila
beberapa vektor masukan tersebut memiliki jarak yang
sangat berdekatan, maka vektor-vektor masukan akan
dikelompokkan dalam kelas yang sama [2][3][10].
2.3.4.2 Arsitektur Jaringan
LVQ merupakan jaringan syaraf dengan tipe
arsitektur jaringan lapis-tunggal umpan-maju (Single
Layer Feedforward) yang terdiri atas unit masukan
(Xn) dan unit keluaran (Ym). Pemrosesan yang
terjadi pada setiap neuron adalah mencari jarak
antara suatu vektor masukan ke
bobot yang
bersangkutan. Oleh karena itu, dapat juga dikatakan
bahwa setiap neuron output berkorespondensi satusatu dengan vektor referensi.

Dalam penelitian ini, langkah-langkah yang

dilakukan adalah sebagai berikut :
3.3.1 Studi Kepustakaan
Studi kepustakaan berawal dari ditemukannya
masalah yaitu: kesulitan menginterpretasikan tulisan
tangan oleh Psikolog, waktu yang dibutuhkan cukup
lama dan interpretasi antara Psikolog satu dengan
Psikolog yang lain sering berbeda. Maka dimulai
mencari kepustakaan yang mendukung pemencahan
permasalahan ini termasuk pengambilan data dan
penelusuran pustaka-pustaka yang mendukung lebih
lanjut.
3.3.2 Pengambilan Data dan Analisis
Pengambilan data dilakukan dengan cara
melakukan tes terhadap orang-orang yang dijadikan
objek 75 orang dengan melakukan tulisan tangan pada
kertas kwarto (A4) 80 gram dengan pensil 2B.
Kemudian data di-scan dengan resolusi 360 dpi full
color
dan disimpan dalam file BMP. Selain
memproses menjadi citra digital, secara bersamaan
dilakukan pula interpretasi dari bantuan Psikologpsikolog (Fakultas Psikologi, Universitas Wangsa
Manggala Yogyakarta). Kemudian data dari Psikolog
dijadikan data pelatihan pada Neural Network (LVQ).
Lebih jelasnya tahap pengambilan data dapat
dijelaskan dengan diagram Gambar 1 sebagai berikut:

Gambar 1. Diagram alir pengambilan data dan

analisis

3. MEODE PENELITIAN
3.1 Bahan atau Materi Penelitian
Bahan yang dipakai dalam penelitian ini adalah
tulisan tangan pada kertas putih A4 80 gram yang
diberikan ruang 12 x 10 cm dengan jumlah data 75
orang. Dari tulisan tangan tersebut di buat citra
dengan jalan melakukan scan terhadap tulisan tangan
menjadi file BMP dengan resolusi 360 dpi. Selain
men-scan tulisan tangan tersebut dengan bantuan
Psikolog-Psikolog di Fakultas Psikologi, Universitas
Mercu Buana Yogyakarta untuk menginterprestasikan
tulisan tangan tersebut menjadi kelompok :
kematangan emosional katagori (B = Baik dan K =
Kurang Baik) yang nantinya sebagai data pelatihan
(learning) pada neural network (LVQ).
3.2 Alat yang Digunakan
Peralatan yang dipakai dalam penelitian ini
meliputi:
Seperangkat
Komputer,
Bahasa
pemrograman Matlab, Scanner, Kertas A4 80 gram,
Pensil 2B
3.3 Jalannya Penelitian

3.3.3 Perancangan Perangkat Lunak

Dalam perancangan perangkat lunak maka disusun
suatu metode blok diagram yang akan membantu
pembuatan modul-modul proses maupun prosedur
perangkat lunak ditunjukkan dalam Gambar 2 sebagai
berikut :

76

SNPPTI 2010

ISSN: 2086-2156

Gambar 2. Identifikasi Citra Tulisan Tangan dengan

metode pre-processingAlihragam Gelombang Singkat
dan Klasifikasi LVQ

berupa vektor akan dijadikan masukan pada proses

pembelajaran (learning) dan pengenalan (recognition)
pada jaring saraf tiruan.
3.3.3.5 Arsitektur Neural Network LVQ
Untuk melakukan identifikasi citra tulisan tangan
yang terdiri dari proses pembelajaran (learning) dan
pengenalan (recognition) maka dibangun arsitektur
jaring LVQ dengan masukan fitur vektor dari piksel
hasil ekstraksi ciri melalui alihragam gelombang
pendek. Kelas keluaran ditujukkan menjadi lima kelas
kematangan emosional sesuai tes kepribadian
psikologi yaitu kelas 1 (Baik=B) dan kelas 2
(Kurang=K). Arsitektur LVQ ditunjukkan pada
Gambar 3.

3.3.3.1 Citra Tulisan Tangan

Citra tulisan tangan merupakan hasil dari tulisan
tangan dengan pensil 2B dalam segiempat dengan
dimensi 12 x 10 cm pada kertas kwarto putih (A4)
dengan berat 80 gram. Citra tulisan tangan merupakan
coretan sekuensial dari pensil yang membentuk suatu
tulisan yang ditentukan kalimatnya.
3.3.3.2 Data Digital Citra Tulisan Tangan (File BMP)
Tulisan tangan di scan dengan resolusi 360 dpi
untuk menghasilkan data citra digital dan disimpan
dalam file BMP. Format file BMP dipilih dalam
penyimpanan data citra ini karena file BMP memiliki
nilai kompresi yang kecil sehingga informasi yang
hilang dapat diminimisasi.
3.3.3.3 Modul Pre-Processing
3.3.3.3.1 Data Citra Tulisan Tangan
Data digital citra tulisan tangan dengan format
BMP true color (24 bit) merupakan data yang diproses
untuk proses-proses selanjutnya. Data citra 24 bit true
color terdiri dari 28 layer merah, 28 layer hijau, dan
28 layer biru.
3.3.3.3.2 Konversi Citra Warna True Color ke Citra
Gray
Data citra tulisan tangan true color 24 bit dalam
format BMP dilakukan pemisahan layer penyusun
citranya, yaitu layer merah (red), layer hijau (green),
dan layer biru (blue).
Proses konversi citra warna ke citra abu-abu
(gray), dilakukan mengalikan konstanta nilai RGB ke
YUV yaitu dengan mengambil layer Y (luminance)
untuk mendapatkan nilai luminance yang kuat.
Konversi dari RGB ke YUV dengan menambil layer
Y (luminance) ditunjukkan pada Gambar 11.
3.3.3.4 Ekstraksi Ciri dengan Metode Alihragam
Gelombang Singkat
Ekstraksi ciri dengam metode alihragam
gelombang singkat yaitu mengekstrak citra dengan
dekomposit ke dalam gelombang singkat
yang
mewakili nilai piksel dan bentuk gelombang Haar dan
Doubechies. Dekomposisi pola dilakukan untuk
merepresentasikan pola digit ke dalam vektor yang
mengandung beberapa informasi mengenai pola
tersebut. Hasil dari dekomposisi level kesatu citra asli
320x143 piksel dengan gelombang-singkat Haar
adalah empat subbidang pada resolusi yang lebih
rendah 160x71 piksel. Keempat subbidang tersebut
masing-masing membawa informasi yang berbeda
yaitu informasi background, horizontal, vertikal, dan
diagonal. Pada level kedua dihasilkan subbidangsubbidang berukuran 80x35 piksel, dan pada level
ketiga dihasilkan subbidang-subbidang dengan ukuran
40x17 piksel. Citra level tiga[9] menghasilkan
subbidang yang digunakan sebagai ciri yang
membedakan kelas. Fitur vektor yang merupakan ciri

Keterangan:
n = 680
Gambar 3. Arsitektur Jaring LVQ untuk Identifikasi
Citra Tulisan Tangan
3.3.4 Desain Perangkat Lunak
Pada tahap desain perangkat lunak ini dilakukan
penulisan kode program sesuai dengan flowchart
setiap modul ke dalam bahasa matlab programming.
Tahapan penulisan kode program dilakukan sebagai
berikut: a). Modul pengambilan citra, b). Modul
pemisahan layer citra: merah, hijau, biru, c). Modul
konversi citra RGB ke YUV, d). Modul ekstrasi ciri
dengan alihragam gelombang singkat, e). Modul
jaring LVQ dan f). Modul recognition.
3.3.5 Pembelajaran dan Pengujian
3.3.5.1 Pembelajaran Perangkat Lunak Neural
Network
Learning pada Neural Neworks dilakukan dengan
melakukan pembelajaran terhadap perangkat lunak
yang telah selesai didesain dengan data-data yang
digunakan untuk pembelajaran.
3.3.5.2 Pengujian Data
Pengujian data dilakukan dengan menguji data
masukan baru untuk mendapatkan prosentase terbaik
dalam mengenali data baru. Untuk mendapatkan
peningkatan kemampuan pengenalan dilakukan
dengan merubah-ubah parameter jaring LVQ untuk
setiap pengujian.
IV. ANALISA DAN PEMBAHASAN
4.1 Pengolahan Data Masukan
Pengolahan awal dilakukan untuk cropping citra,
re-size, citra diperlukan untuk mengubah citra asli
77

SNPPTI 2010

ISSN: 2086-2156

dua-dimensi ke dalam pola vektor yang terdiri atas

informasi-informasi yang dimiliki citra asli tersebut.
Pola-pola vektor yang diperoleh selanjutnya akan
digunakan sebagai masukan dalam proses selanjutnya
yaitu pembelajaran dan pengenalan menggunakan
jaring saraf tiruan LVQ.
4.1.1 Data Citra
Data citra berupa data citra BMP, dengan size
5370 x 4000 piksel. Cita data citra hasil scanning
ditujukkan pada Gambar 4.
4.1.2 Pra-Pengolahan Citra
4.1.2.1 Cropping Citra
Pada tahap pra-pengolahan dilakukan proses
konversi citra warna menjadi citra aras keabuan
(gray). Gray diambil karena dalam pengolahan citra
tulisan tangan, ciri yang ditekankan berupa aspek
model kemiringan garis tulisan, diperlihatkan Gambar
4a, dan 4b.

6(b). Dekomposisi wavelet 2D orde 3 menghasilkan

citra dengan nilai piksel antara 500 hingga 900. Citra
hasil dekomposisi wavelet orde 3 ditunjukkan Gambar
6(c).
4.2 Feature Vektor Tulisan Tangan
Feature vektor diperoleh dari vektorisasi hasil
citra dekomposisi alihragam gelombang singkat order
3. Vektor ini digunakan sebagai masukkan Jaring
Saraf Tiruan LVQ. Feature Vektor dari hasil
vektorisasi dekomposisi tulisan tangan ditunjukkan
pada Gambar 6.

(a)

(b)

(a)
(b)
Gambar 4. (a) data citra (b) Hasil Cropping ROI
dengan size 5370 x 1200 dari Data Citra
(c)
(d)
Gambar 6. (a) Dekomposisi Citra Order 1., (b).
Dekomposisi Citra Order 2., (c) Dekomposisi Citra
Order 3. (d) Grafik Featur Vektor Tulisan Tangan

4.1.2.2 Re-size Citra ROI

Re-size citra ROI dilakukan untuk mendapatkan
citra berdimensi lebih kecil, dimensi citra yang
digunakan adalah 320 x 143 piksel. Gambar citra hasil
re-size ditunjukkan pada Gambar 15.
4.1.2.3 Konversi RGB ke Luminace
Citra warna tulisan tangan hasil resize pada
Gambar 5.3 dilakukan konversi pada citra gray (Y
luminace), yaitu dengan memisahkan layer R (Merah),
G (Hijau), B (Biru) dan dengan faktor pengali ke
piksel ke i,j, dengan Y=0.299*R+0.587*G+0.114*B.
Hasil proses RGB ke Gray (Y, luminance)
ditunjukkan pada Gambar 5.

4.3

Proses Tiap Tahap Sistem

Identifikasi
Kematangan Emosional Melalui Tulisan
Tangan
Sistem identifikasi emosional melalui tulisan
tangan dibagi atas dua tahap, yaitu proses ekstraksi
ciri dengan vektorisasi dari dekomposisi wavelet orde
3 dan klasifikasi. Pada tahap ekstraksi ciri terdiri atas
pra-pengolahan citra, wavelet. Proses ekstraksi ciri
diperuntukkan dalam mendapatkan fitur vektor, baik
yang digunakan untuk pelatihan maupun pengenalan.
Kelompok fitur vektor sesuai dengan tes psikologi
ditunjukkan dalam Tabel 1.
Tabel 1. ROI 320 x 143 Piksel Citra Tulisan Tangan
(Data Pelatihan)
ROI Citra Tulisan Tangan

(a)
(b)
Gambar 5. (a) Citra Tulisan Tangan dengan dimensi
320 x 143 piksel. (b) Gambar 16 Citra Y Luminance
4.1.3 Dekomposisi dengan Metode Wavelet
Dekomposisi wavelet 2D orde 1 menghasilkan
citra dengan nilai piksel antara 150 hingga 450. Citra
hasil dekomposisi wavelet orde 1 ditunjukkan Gambar
6(a). Dekomposisi wavelet 2D orde 2 menghasilkan
citra dengan nilai piksel antara 500 hingga 900. Citra
hasil dekomposisi wavelet orde 2 ditunjukkan Gambar

1. Baik

78

5. Kurang

SNPPTI 2010

ISSN: 2086-2156

2. Baik

6. Kurang
0,75

3. Baik

7. Kurang

0,001
0,0001
0,1
0,01
0,001

7
4
7
5
4

70,00
65,00
100,00
90,00
65,00

42,85
57,14
28,57
28,57
57,14

56,42
61,07
64,28
59,28
61,07

0,0001

62,00

57,14

59,57

Sumber : Pengujian.

4. Baik
Sumber : Data sample

Tabel 3 menunjukkan bahwa unjukkerja

identifikasi rata-rata pada laju pelatihan awal 0.1 dan
penurunan laju pelatihan 0.1 mencapai 71.42 %
dengan detail unjukkerja identifikasi kematangan
emosional Baik dan Kurang masing-masing secara
berurutan adalah 100,00% dan 42,85%.
V. KESIMPULAN
Beberapa kesimpulan yang diambil dari analisa
dan pengujian citra tulisan tangan dengan preprocessing awal menggunakan wavelet untuk
mengidentifikasi kematangan emosional, ini antar
lain:
1. Unjukkerja identifikasi dengan data pelatihan 24
data dan pengujian menggunakan 47 data,
perangkat
lunak
(algoritma)
mampu
mengidentifikasi dengan rata-rata hingga 71,42%
dengan kemampuan identifikasi kematangan
emosional Baik dan Kurang secara berurutan
masing-masing 100,00% dan 42,85%.
2. Keberhasilan pembelajaran sangat dipengaruhi
oleh laju pelatihan awal dan penurunan laju
pelatihan. Dalam algoritma sistem ini persentase
pengenalan terbaik pada laju pelatihan awal 0.1
dengan penurunan laju pelatihan 0.1 yang
mencapai pengenalan rata-rata 71,42 %.

8. Kurang

4.4 Ujicoba Jaring Saraf Tiruan

Proses pengujian Jaring LVQ digunakan parameter
yang ditunjukkan pada Tabel 2.
Tabel 2. Parameter yang digunakan pada Jaring LVQ
Jumlah Pola Masukan
24
Pelatihan
Jumlah Pola Masukan
47
Pengujian
Jumlah Pola Target
2
Variasi Laju Pelatihan ()
0,1;0,01;0,001;0,0001
Update Laju Pelatihan
= - (dec )
Variasi Pengurangan Laju
0,1; 0,25; 0,5;0,75
Pelatihan (dec )
Minimum Laju Pelatihan
0,000001
yang diharapkan
Maksimum Iterasi (epoch) 200
Pengujian dilakukan pada pola-pola baru
menggunakan vektor hasil dari masukan data citra
tulisan tangan yang baru dengan ukuran 320 x 143
dengan parameter ditunjukkan pada Tabel 2.
4.5 Unjukkerja Identifikasi Citra Tulisan Tangan
Untuk mengetahui unjukkerja identitifikasi tulisan
tangan dengan pre-processing menggunakan wavelet
dan identifikasi dengan LVQ ditunjukkan pada Tabel
3 sebagai berikut.

VI. DAFTAR PUSTAKA

[1] Duda, R., 2000, Pattern Clasification, 2nd, A.
Willey-Inter Science Publication.
[2] Fausset, Laurence., 1994, Fundamental Of
Neural Network, Architectures, Algorithms, And
Applicationa, Prentice Hall, Englewood Cliffs.
[3] Fredric M. Ham., Kostanic, Ivica., 2001,
Prinsiples of Neurocomputing For Science
Enginerring, McGraw-Hill. Inc.
[4] Machover, Karen., 1987, Proyeksi kepribadian
dalam gambar figur manusia (suatu metode
pemeriksaaan
kepribadian),
Universitas
Padjadjaran.
[5] Munir, Rinaldi, 2004, Pengolahan citra digital
dengan pendekatan algoritmik, Infomatika,
Bandung.
[6] Nicholas V. Swindale and Hans-Ulrich Bauer,
Application of Kohonen's self-organizing
feature map algorithm to cortical maps of
orientation and direction preference, The royal
society.
[7] Salsabilla., Sausan, 2006., Grafologi Seni
Menilai Kepribadian Seseorang Melalui Tulisan
Tangan, Image Press.

Tabel 3. Unjukkerja Tulisan Tangan

Unjukkerja Pengenalan (%)
Penurunan Laju
Pelatihan Iterasi
Laju
Pelatihan
awal
ke
(dec alfa) (alfa)

0,1

0,25

0,5

0,1
0,01
0,001
0,0001
0,1
0,01
0,001
0,0001
0,1
0,01

88
66
44
33
33
25
17
9
14
10

Baik

100,00
100,00
82,50
65,50
100,00
100,00
75,00
62,50
100,00
97,50

Kurang

42,85
28,57
28,57
57,14
28,57
28,57
28,57
57,14
28,57
28,57

Komulati
f

71,42
64,28
55,53
61,32
64,28
64,28
51,78
59,82
64,28
63,03

79

SNPPTI 2010

ISSN: 2086-2156

[8] Supatman, Eko Mulyanto, Mauridhy H.P., 2007,

Identifikasi Tekstur Citra Lidah Menggunakan
Metode Gaussian Markov Random Field Untuk
Deteksi Dini Penyakit Tifoid, SITIA 2007, ITS,
Surabaya
[9] Supatman, 2008, Identifikasi Tekstur Citra
Bubuk
Susu
Menggunakan
Alihragam
Gelombang Singkat
Untuk
Memprediksi
Keaslian Produk Susu, SITIA 2008, ITS,
Surabaya
[10] Supatman, 2008, Deteksi Citra Sketsa Figur
Manusia Dengan Metode Pulse Couppled Neural
Network (PCNN) Untuk Memprediksi Daya
Tahan Terhadap Stres, Semnas Informatika
UPN Veteran Yogyakarta.

80