See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/283083037

Pengenalan Tulisan Tangan untuk Angka tanpa Pembelajaran

Conference Paper · October 2015

CITATIONS READS
0 919

3 authors, including:

Iping Supriana Edvin Ramadhan

Bandung Institute of Technology Bandung Institute of Technology
267 PUBLICATIONS   266 CITATIONS    5 PUBLICATIONS   2 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Geospatial Search Engine View project

New Generation Cryptographic syatem View project

All content following this page was uploaded by Edvin Ramadhan on 22 October 2015.

The user has requested enhancement of the downloaded file.

 Pengenalan Tulisan Tangan untuk Angka
tanpa Pembelajaran
Iping Supriana Suwardi1, Edvin Ramadhan2
Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung.
1iping@informatika.org
2edvin.ramadhan@students.itb.ac.id
Abstrak—Terdapat banyak metoda pengenalan angka
latin tulisan tangan, namun umumnya menggunakan
metoda statistik. Ciri dari metoda statistik adalah
bahwa sistem tidak pernah mempertimbangkan angka
berapa kira-kira yang sedang diolahnya, karena
sistem hanya mengandalkan contoh yang diberikan
kepadanya lewat pembelajaran. Dalam makalah ini
diusulkan pengenalan angka tulisan tangan tanpa
pembelajaran. Tetapi cukup dengan memanfaatkan
ciri-ciri spesifik dari angka tersebut yang disebut
sebagai properti geometri. Hasil percobaan yang
dilakukan menunjukkan bahwa pendekatan ini
memiliki kinerja yang lebih baik dari metoda statistik
yang ada dan memiliki waktu komputasi yang lebih
cepat.
Kata Kunci— Properti Geometri, Pengenalan Tulisan
Tangan, Pengenalan Tanpa Pembelajaran, Metoda
Non-Statistik.
1. PENDAHULUAN
Penelitian tentang pengenalan tulisan tangan
khususnya untuk angka dan huruf latin, merupakan
salah satu bahasan dalam pengembangan teknik
pengenalan pola yang masih berkembang saat ini.
Penelitian ini mulai diminati sejak tahun 1990-an,
semenjak dipopulerkan oleh Prof. Ching Yee Suen
[2] berbagai penelitian dilakukan untuk mengenali
berbagai bentuk tulisan tangan. Perkembangan
konsep pengenalan tulisan tangan saat ini yang
paling banyak adalah konsep yang menggunakan
metoda statistik. Ciri utama dari penggunaan dari
metoda statistik adalah sistem yang dikembangkan
tidak memperhitungkan atau mempertimbangkan
bentuk tulisan atau objek yang sedang diolah atau
dikenalinya. Sistem yang dikembangkan dengan
menggunakan metoda statistik hanya berpedoman
pada contoh pola dari sampel yang di ajarkan
kepadanya, dan didalam proses ekstraksi cirinya pun
secara umum tidak menggunakan ciri – ciri fisik
yang bisa diamati oleh mata manusia [1].
Pembelajaran seperti ini akan membutuhkan
banyak data untuk proses pembelajarannya, untuk
beberpa kasus penggunaan metode statistik ini
sangat efisien dan memiliki tingkat keakuratan yang
tinggi [1,3]. Namun dengan semakin banyaknya data
inipun ternyata tidak membuat sistem pembelajaran
dengan menggunakan metode statistik ini akan
menjadi lebih baik, malah akan semakin sulit dalam
mengenali, ini dikarenakan semakin banyak data
yang digunakan dalam pembelajaran, maka proses
pencarian pun akan semakin spesifik sehingga
membutuhkan waktu dan biaya yang lebih banyak
dan objek yang diperlukanpun belum tentu
didapatkan.
Dalam makalah ini diperkenalkan teknik
pengenalan objek tulisan tangan berupa angka, tanpa
melakukan pelatihan atau proses pembelajaran.
Metode pengenalan yang diterapkan disini adalah
dengan memanfaatkan ciri-ciri spesifik dari objek
yang diamati. Dalam pengenalan tulisan tangan ini,
khususnya dalam pengenalan angka, dapat
dilakukan pemngamatan terhadap ciri-ciri spesifik
dari angka tersebut. Pengamatan dengan
menggunakan ciri-ciri spesifik ini diharapkan dapat
menunjukkan kinerja yang lebih dan waktu
pengenalan yang lebih singkat dibanding
menggunakan metode statistik. Pada bagian berikut
akan dijelaskan beberapa pendekatan non-statistik
yang pernah ada yang digunakan dalam pengenalan
tulisan tangan terutama pendekatan yang digunakan
untuk pengenalan angka. Selanjutnya dilanjutkan
dengan metode pengenalan yang diusulkan, beserta
hasil imlementasinya dan beberapa pembahasan
serta kesimpulan yang dapat diambil dari penerapan
metode ini.
2. KAJIAN PUSTAKA
Penelitian tentang pengenalan tulisan tangan
mulai menarik perhatian sejak tahun 1990-an,
Beberapa penelitian telah dilakukan dalam
mengenali berbagai bentuk tulisan tangan. Baik itu
dalam bentuk tulisan latin maupun dalam bentuk
tulisan lain seperti bahasa yang digunakan pada
Negara Arab [7,8], Jepang, China [6], Korea,
Spanyol [13], dan berbagai Negara lain yang tidak
menggunakan tulisan latin sebagai tulisannya.
Berbagai pengembangan metode sintaktik telah
dilakukan untuk pengenalan tulisan tangan ini,
seperti, Pengenalan huruf Arab yang menggunakan
adaptive slant correction algorithm dan polygonal
approximation algorithm dalam fungsi fuzzy [10],
handwriting model for syntactic recognition of
cursive script [9]. Penggunaan markov model [12]
pun juga sangat gemar digunakan saat ini. Berbagai
sistem pengenalan tulisan baik itu tulisan cetak
komputer ataupun tulisan tangan, sudah sangat
berkembang dengan memanfaatkan konsep marcov
model.
 Perhatian utama pada tulisan tangan angka
dengan teks Latin adalah variabilitas tinggi di
kontras antara gambar dari kelas yang sama tetapi
juga dalam satu gambar itu sendiri karena
pemindaian artefak atau gaya penulisan yang
berbeda untuk setiap orang yang menulisnya.
Beberapa langkah pra-pengolahan yang dilakukan
sangat bergantung pada gambar biner (seperti
normalisasi ukuran). Sehingga perlu dilakukan
normalisasi kontras menggunakan nilai ambang
tertentu untuk melakukan proses binarisasi tersebut.
Normalisasi bekerja dengan memetakan pixel terang
ke putih dan pixel yang gelap ke hitam [11].
Selain variabilitas yang tinggi juga perlu
diperhatikan tentang nilai noise dan kemiringan
tulisan yang terdapat pada gambar [11]. Namun
dalam penelitian ini tidak perlu mengkhawatirkan Gambar 1. Bentuk Definisi Angka Nol (0)
tentang kemiringan tulisan pada gambar. Karena
untuk masalah kemiringan tersebut, telah teratasi
dengan ciri spesifik dari karakter yang didefinisikan.
Ciri spesifik ini disebut dengan properti geometri
[14] dari karakter atau angka tersebut.

3. METODE YANG DIUSULKAN

Untuk proses pengenalan, dalam penelitian ini
diperlukan suatu bentuk definisi properti geometri
yang spesifik dari angka yang akan dikenali. Untuk
itu ciri yang dipakai adalah seluruh properti
geometri yang bisa diekstrak dari angka tersebut.
Ciri utama yang menjadi patokan adalah jumlah
ujung dan simpangan yang terdapat pada angka
tersebut. Gambar 1 hingga 10 berikut ini adalah
contoh definisi ciri dari setiap karakter angka yang
menjelaskan bentuk spesifik dari angka tersebut.
Dan analisis ciri ini menjadi pedoman dalam untuk
melakukan rekognisi tulisan tangan berbentuk angka
tanpa melakukan learning terlebih dahulu. Gambar 2. Bentuk Definisi Angka Satu (1)

Pada Gambar 1 diperlihatkan karakteristik dari

Angka Nol (0), dimana ciri utama angka nol adalah
memiliki karakteristik satu bulatan, dan tidak harus
memiliki memiliki persimpangan, titik awal dan titik
akhir.
Pada Gambar 2 diperlihatkan karakteristik dari
Angka Satu (1), dimana angka satu ini memiliki
ukuran panjang rantai kode sebesar tinggi imagenya,
tidak memiliki bulatan, pada umumnya tidak
memiliki persimpangan, selalu diawali dari titik
awal (kotak hitam bernilai 0) pada bagian atas dan
diakhiri pada titik akhir (kotak hitam bernilai 1) pada
bagian bawah. Sebagaian penulisan angka satu
biasanya diberi garis miring pada bagian atas dan
atau alas pada bagian bawah nya. Untuk pemberian
garis miring ini umumnya akan menimbulkan
kerancuan karena akan mirip dengan karakteristik
dari angka tujuh.
Gambar 3. Bentuk Definisi Angka Dua (2)
 Pada Gambar 3 diperlihatkan karakteristik dari
Angka Dua (2), diamana angka dua ini memiliki 2
ujung berawal dari kiri atas atau kiri tengah (kotak
hitam bernilai 0) dan berakhir pada bagian kanan
bawah (kotak hitam bernilai 1). Dan pada umumnya
angka dua ini tidak memiliki persimpangan dan
tidak memiliki bulatan.
Gambar 4. Bentuk Definisi Angka Tiga (3)
Pada Gambar 4 ini diperlihatkan karakteristik
dari Angka Tiga (3), dimana pada bagian ini
diperlihatkan bahwa angka tiga itu berawal dari kiri
atas (kotak hitam bernilai 0) dan berakhir menuju
kiri bawah (kotak hitam bernilai 1), dan bisa
dipastikan tidak memiliki simpangan atau bulatan.
Gambar 5. Bentuk Definisi Angka Empat (4)
Pada Gambar 5 ini diperlihatkan karakteristik
dari Angka Empat (4), dimana angka empat ini
secara umum memiliki 3 ujung, dimana ujung
pertama dimulai pada bagian tengah atas (kotak
hitam bernilai 0), ujung kedua pada bagian kanan
atas (kotak hitam bernilai 1) dan ujung ke tiga pada
bagian kanan bawah (kotak hitam bernilai 2), dalam
tulisan tangan pada umumnya angka empat ini tidak
memiliki bulatan, tapi dapat dipastikan hanya
memiliki satu persimpangan pada bagian kanan
tengah (kotak kuning berlabel A). Pada
implementasinya sering terjadi kesalahan
pendeteksian yang disebabkan kemiripannya
dengan angka Sembilan, terlebih lagi jika penulisan
angka empat nya memiliki bulatan karena ujung
tengah atas dan ujung kanan saling bersinggungan.
Gambar 6. Bentuk Definisi Angka Lima (5)
Pada Gambar 6 dipelihatkan karakteristik dari
Angka Lima (5), karakteristik dari angka lima ini
berlawanan dengan angka dua, dimana kalau angka
dua berawal dari kiri atas atau tengah dan berakhir
pada kanan bawah, maka pada angka lima ini
penulisan berawal dari kanan atas (kotak hitam
bernilai 0) dan berujung menuju kiri tengah atau
bawah (kotak hitam bernilai 1). Seperti pada angka
dua, angka lima ini tidak memiliki persimpangan
dan tidak memiliki bulatan.
Gambar 7. Bentuk Definisi Angka Enam (6)
Pada Gambar 7 diperlihatkan karakteristik dari
Angka Enam (6), pada umumnya angka enam
memiliki satu bulatan dan ujung diatasnya.
Penulisan dimulai dari ujung atas (kotak hitam
bernilai 0), dan berakhir pada simpangan dibagian
kanan tengah (kotak kuning berlabel A).
 sedangkan pada angka sembilan ujung berada pada
bagian bawahnya. Penulisan angka sembilan pada
umumnya dimulai dari persimpngan pada bagian
kanan tengah (kotak kuning berlabel A) dan berakhir
pada ujung yang berada pada bagian kiri bawah
(kotak hitam bernilai 0). Jika pendeteksian
mengunakan sistem rotasi atau gambar yang di
deteksi terbalik, maka tidak akan menutup
kemungkinan angka Sembilan ini akan terdeteksi
sebagai angka enam dan sebaliknya.

Gambar 8. Bentuk Definisi Angka Tujuh (7)

Pada Gambar 8 diperlihatkan karakteristik

standar dari Angka Tujuh (7), dimana penullisan
angka tujuh ini berawal dari kiri atas melewati satu
persimpangan dan berakhir pada bagian bawah.
Pada standarnya angka tujuh ini memiliki 4 titik
ujung yaitu pada kiri atas sebagai awal penulisan
(kotak hitam bernilai 0), pada bagian kanan tengah
(kotak hitam bernilai 1) dan kiri tengah (kotak hitam
bernilai 2) untuk garis tengah dari angka tujuh, dan
pada bagian bawah (kotak hitam bernilai 3). Angka
tujuh sudah dipastikan tidak memiliki bulatan,
namun bisa memiliki 1 persimpangan (kotak kuning
berlabel A), bisa juga tidak memiliki persimpangan. Gambar 9. Bentuk Definisi Angka Delapan (8)
Penulisan angka tujuh yang tidak memiliki garis
tengah akan merubah definisi dari angka tujuh
tersebut, karena jumlah ujung hanya tinggal 2, dan
tidak akan memiliki persimpangan, sehingga
karakteristik yang dimiliki akan mendekati
karakterisitik angka satu. Karena kesalahan inilah
yang membuat sering terjadi kesalahan saat
pendeteksian angka tujuh dan angka satu.
Untuk Angka Delapan (8) yang diperlihatkan
pada Gambar 9 ini dapat dilihat bahwa karakteristik
dari angka delapan ini adalah memiliki dua bulatan
dan memiliki dua persimpangan. Penulisan angka
delapan dimulai dari salah satu persimpangan, yaitu
dimulai dari persimpangan pada kiri tengah (kotak
kuning berlabel A) dan berakhir pada persimpangan
pada kanan tengah (kotak kuning berlabel B). Angka
delapan bisa dipastikan memiliki dua bulatan,
namun belum tentu memiliki dua persimpangan, Gambar 10. Bentuk Definisi Angka Sembilan (9)
pada beberapa penulisan persimpangan bisa saja
menjadi satu jika penulisan dimulai dari bagian
tengah dan berakhir pada bagian tengah juga 4. ALGORITMA PENGENALAN
sehingga persimpangan yang terbentuk hanya satu
saja. Sebelum menggunakan properti geometri dari
angka nol hingga sembilan seperti yang dijelaskan
Terakhir untuk Angka Sembilan (9) yang pada bagian sebelumnya, perlu dilakukan beberapa
diperlihatkan pada Gambar 10, terlihat karakteristik proses pra-pengolahan sebelum mengenali angka
dari angka sembilan yang memiliki satu bulatan dan apa yang sedang diamati tersebut. Secara umum
ujung dibawahnya. Karakteristik ini juga merupakan terdapat 5 langkah utama atau algoritma yang
kebalikan dari angka enam, dimana enam memiliki digunakan dalam pengenalan karakter angka tanpa
satu bulatan namun ujung pada bagian atasnya, proses learning ini adalah sperti berikut :
1. Melakukan Pembacaan Symbol
Bagian ini merupakan bagian awal dari proses
pengenalan yaitu mentukan symbol atau objek mana
yang akan kenali dan mempersiapkan bagian dari
objek tersebut untuk dilakukan proses pra-
pengolahan. Proses ini dapat dimulai dengan
pembacaan gambar, segmentasi, hingga melakukan
pemotongan gambar sesuai dengan objek atau angka
yang akan diamati.
2. Lakukan Penulangan Satu Pixel (Thinning)
Setelah bagian dari objek atau angka yang akan
dimati ditentukan, maka dilakukan proses
penulangan yang dikenal dengan proses thinning.
Terdapat beberapa pendekatan thinning yang pernah
dikembangkan, mulai dari sequential thinning
algorithm, paraller thinning algorithm hingga
uniteratif thinning algoritm [4].
3. Pembuatan Rantai Kode (Chaincode)
Setelah didapatkan skeleton atau hasil
penulangan dari objek yang diamati barulah
dilakukan proses pendataan rantai kode yang
dimiliki dari angka tersebut, pendeteksian rantai
kode dapat dilakukan dengan berbagai pendekatan
dengan dasar Chaincode Freeman [5]. Pendeteksian
rantai kode yang dilakukan dalam penelitian ini
adalah dengan menelusuri rantai kode sesuai dengan
4 arah mata angin, utara (u), selatan (s), timur (t) dan
barat (b).
4. Tentukan ujung, kode arah, simpul dan bulatan.
Dari rantai kode yang didapatkan dapat
ditentukan arah pergerakan rantai kode dari angka
yang diamati, dan dapat pula ditentukan bagian
rantai kode yang termasuk area ujung, percabangan
atau simpul, dan rangkaian rantai kode mana yang
termasuk bulatan atau bersifat sirkuler. Gambar 11. Contoh bentuk implementasi pada Angka
Tunggal.
5. Lakukan pencocokan karakteristik angka yang
didapat berdasar tabel ciri angka. pada bagian 4. Implementasi dilakukan pada 150
angka tunggal (Gambar 11) dan pada 105 kombinasi
Pada bagian ini sistem akan melakukan
dua angka (Gambar 12). Jika dibandingkan dengan
pencocokan karakteristik yang didapat dari objek
beberpa penelitian sebelumnya yang dilakukan
yang sedang diamati dengan data karakteristik angka
dengan metode learning sebelumnya, maka hasil
yang merupakan ciri spesifik dari tiap angka yang
dari metoda pengenalan tanpa learning ini jauh lebih
telah dijelaskan pada bagian 3.
efektif dan efisien. Dikarenakan penenalan ini tidak
5. IMPLEMENTASI memerlukan data pelatihan, sehingga tidak ada
proses belajar, dan waktu untuk proses belajarpun
Sebagai bahan percobaan dilakukan berbagai uji dapat dihilangkan. Dan untuk hasil pendeteksianpun
coba dengan menggunakan berbagai jenis tulisan metode ini memberikan hasil yang cukup
tangan. Dan dari berbagai ujicoba angka yang memuaskan, walaupun masih terdapat beberapa
dilakukan tersebut, pendekatan ini menunjukkan kesalahan yang disebabkan oleh kerancuan
hasil yang cukup memuaskan. Data contoh yang penulisan atau ketidak sempurnaan rantai kode yang
diambil adalah data real tulisan tangan, yang didapatkan. Dari hasil yang diperoleh didapatkan
dituliskan pada lembaran kertas, dimana pada untuk angka tunggal nilai hasil yang benar mencapai
lembaran kertas tersebut telah diberikan kotak 90,66% sedangkan untuk data dengan kombinasi
pembatas untuk setiap huruf, untuk mempermudah dua angka mencapai 67,61 %, dan untuk
proses pemotongan perkarakter atau angkanya. Dan keseluruhan data yang digunakan diperoleh hasil
kemudian dilakukan pembacaan dan pengenalan yang benar mencapai 81,17 %
karakter sesuai dengan algoritma yang dituliskan

Gambar 12. Contoh Bentuk Implementasi pada Kombinasi
Angka.
6. PEMBAHASAN
Dari hasil percobaan yang dilakukan ditemukan
beberapa hasil yang salah. Kesalahan ini disebabkn
oleh beberapa hal yang menjadi pembahasan dalam
diskusi ini. Beberapa kesalahan yang muncul dapat
disebabkan oleh salah satu kendala berikut:
 Rantai kode yang tidak nyambung (Terputus),
bagian rantai kode yang terputus ini dapat
menyebabkan hilangnya suatu bulatan atau
simpul, dan bisa juga menambah jumlah ujung
dari objek angka yang diamati, sehingga
menyebabkan karakteristik yang didapatkan
menjadi lebih banyak atau lebih sedikit dari
karakteristik yang seharusnya. Dan ini sangat
mempengaruhi nilai hasil yang didapatkan.
 Adanya aspek kursif (tulisan miring) dalam
obyek ternyata juga masih dapat merubah hasil
yang diperoleh, seperti angka satu yang terlalu
miring akan menyebabkan ia mengarah ke
angka tujuh, angka empat yang terlalu miring
akan mengarah ke angka sembilan, begitu juga
dengan beberapa angka lain yang jika
dimiringkan akan menyerupai angka lain yang
dekat dengannya.
7. KESIMPULAN
Hasil yang diperoleh dengan memanfaatkan
properti geometri atau ciri spesifik dari angka ini
cukup memuaskan, berbagai tulisan tangan untuk
angka telah dapat dikenali dengan baik, walaupun
masih terdapat beberapa kesalahan hasil deteksi
yang disebabkan oleh kerancuan penulisan atau
ketidak sempurnaan rantai kode yang didapatkan.
Dari 255 data yang digunakan untuk pengujian
View publication stats
diperoleh tingkat keberhasilan mencapai 81,17%
tanpa harus menggunakan learning. Dan jika dilihat
secara keseluruhan metode pengenalan angka tanpa
learning ini lebih baik dari metode yang
menggunakan learning sebelumnya, karena selain
dapat menghemat waktu dan biaya, proses ini sesuai
dengan kaidah Computer Vision yang menduplikasi
cara kerja mata dalam mengenali objek, khususnya
untuk pengenalan tulisan tangan.
Untuk perluasan kedepannya dapat dilakukan
pada huruf kapital dan dilanjutkan pada huruf kecil
biasa, dengan sedikit perbaikan untuk mengatasi
aspek kursif dan ketidak sempurnaan rantai kode
yang didapatkan.
REFERENSI
[1] A. Delorme, Statistical methods, Encycl. Med. Device
Instrum. 6 (2005) 240–264.
[2] S. Impedovo, More than twenty years of advancements
on Frontiers in handwriting recognition, in: Pattern
Recognit., 2014: pp. 916–928.
[3] A.K. Jain, R.P.W. Duin, J. Mao, Statistical pattern
recognition: a review, IEEE Trans. Pattern Anal. Mach.
Intell. 22 (2000) 4–37.
[4] L. Lam, S.W. Lee, C.Y. Suen, Thinning
methodologies--A comprehensive survey, IEEE Trans.
Pattern Anal. Mach. Intell. 14 (1992) 869–885.
[5] S. Li, Z. Ling, J. Cao, K. Li, G. Liu, A step detection
algorithm based-on Chain Code, in: 2011 IEEE 3rd Int.
Conf. Commun. Softw. Networks, ICCSN 2011, 2011:
pp. 164–167.
[6] C.L. Liu, F. Yin, D.H. Wang, Q.F. Wang, Chinese
handwriting recognition contest 2010, in: 2010 Chinese
Conf. Pattern Recognition, CCPR 2010 - Proc., 2010:
pp. 1100–1104.
[7] L.M. Lorigo, V. Govindaraju, Offline Arabic
Handwriting Recognition :, 28 (2006) 712–724.
[8] L.M. Lorigo, V. Govindaraju, Offline arabic
handwriting recognition: A survey, IEEE Trans. Pattern
Anal. Mach. Intell. 28 (2006) 712–724.
[9] M. Parizeau, R. Plamondon, A handwriting model for
syntactic recognition of cursive script, Proceedings.,
11th IAPR Int. Conf. Pattern Recognition. Vol.II. Conf.
B Pattern Recognit. Methodol. Syst. II (1992) 308–312.
[10] M. Parveze, Arabic Handwritten Text Recognition
Using Structural and Syntactic Pattern Attributes, PhD
Diss. 46 (2010) 141–154.
[11] H. Pesch, M. Hamdani, J. Forster, H. Ney, Analysis of
preprocessing techniques for Latin handwriting
recognition, in: Proc. - Int. Work. Front. Handwrit.
Recognition, IWFHR, 2012: pp. 280–284.
[12] T. Plötz, G.A. Fink, Markov models for offline
handwriting recognition: A survey, Int. J. Doc. Anal.
Recognit. 12 (2009) 269–298.
[13] G. Vamvakas, N. Stamatopoulos, B. Gatos, I.
Pratikakis, S.J. Perantonis, Greek Handwritten
Character Recognition, Comput. Intell. (2007).
[14] R. Willett, G. Yu, Geometric property (T), Chinese Ann.
Math. Ser. B. 35 (2014) 761–800.