Supatman - Identifikasi Citra Tulisan Tangan PDF
Supatman - Identifikasi Citra Tulisan Tangan PDF
ISSN: 2086-2156
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
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
)
(1)
SNPPTI 2010
ISSN: 2086-2156
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
76
SNPPTI 2010
ISSN: 2086-2156
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
(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
4.3
(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
8. Kurang
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
80