net/publication/283083037
CITATIONS READS
0 919
3 authors, including:
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Edvin Ramadhan on 22 October 2015.
2edvin.ramadhan@students.itb.ac.id
Abstrak—Terdapat banyak metoda pengenalan angka pencarian pun akan semakin spesifik sehingga
latin tulisan tangan, namun umumnya menggunakan membutuhkan waktu dan biaya yang lebih banyak
metoda statistik. Ciri dari metoda statistik adalah dan objek yang diperlukanpun belum tentu
bahwa sistem tidak pernah mempertimbangkan angka didapatkan.
berapa kira-kira yang sedang diolahnya, karena
sistem hanya mengandalkan contoh yang diberikan Dalam makalah ini diperkenalkan teknik
kepadanya lewat pembelajaran. Dalam makalah ini pengenalan objek tulisan tangan berupa angka, tanpa
diusulkan pengenalan angka tulisan tangan tanpa
melakukan pelatihan atau proses pembelajaran.
pembelajaran. Tetapi cukup dengan memanfaatkan
ciri-ciri spesifik dari angka tersebut yang disebut Metode pengenalan yang diterapkan disini adalah
sebagai properti geometri. Hasil percobaan yang dengan memanfaatkan ciri-ciri spesifik dari objek
dilakukan menunjukkan bahwa pendekatan ini yang diamati. Dalam pengenalan tulisan tangan ini,
memiliki kinerja yang lebih baik dari metoda statistik khususnya dalam pengenalan angka, dapat
yang ada dan memiliki waktu komputasi yang lebih dilakukan pemngamatan terhadap ciri-ciri spesifik
cepat. dari angka tersebut. Pengamatan dengan
menggunakan ciri-ciri spesifik ini diharapkan dapat
Kata Kunci— Properti Geometri, Pengenalan Tulisan
Tangan, Pengenalan Tanpa Pembelajaran, Metoda menunjukkan kinerja yang lebih dan waktu
Non-Statistik. pengenalan yang lebih singkat dibanding
menggunakan metode statistik. Pada bagian berikut
1. PENDAHULUAN akan dijelaskan beberapa pendekatan non-statistik
Penelitian tentang pengenalan tulisan tangan yang pernah ada yang digunakan dalam pengenalan
khususnya untuk angka dan huruf latin, merupakan tulisan tangan terutama pendekatan yang digunakan
salah satu bahasan dalam pengembangan teknik untuk pengenalan angka. Selanjutnya dilanjutkan
pengenalan pola yang masih berkembang saat ini. dengan metode pengenalan yang diusulkan, beserta
Penelitian ini mulai diminati sejak tahun 1990-an, hasil imlementasinya dan beberapa pembahasan
semenjak dipopulerkan oleh Prof. Ching Yee Suen serta kesimpulan yang dapat diambil dari penerapan
[2] berbagai penelitian dilakukan untuk mengenali metode ini.
berbagai bentuk tulisan tangan. Perkembangan
2. KAJIAN PUSTAKA
konsep pengenalan tulisan tangan saat ini yang
paling banyak adalah konsep yang menggunakan Penelitian tentang pengenalan tulisan tangan
metoda statistik. Ciri utama dari penggunaan dari mulai menarik perhatian sejak tahun 1990-an,
metoda statistik adalah sistem yang dikembangkan Beberapa penelitian telah dilakukan dalam
tidak memperhitungkan atau mempertimbangkan mengenali berbagai bentuk tulisan tangan. Baik itu
bentuk tulisan atau objek yang sedang diolah atau dalam bentuk tulisan latin maupun dalam bentuk
dikenalinya. Sistem yang dikembangkan dengan tulisan lain seperti bahasa yang digunakan pada
menggunakan metoda statistik hanya berpedoman Negara Arab [7,8], Jepang, China [6], Korea,
pada contoh pola dari sampel yang di ajarkan Spanyol [13], dan berbagai Negara lain yang tidak
kepadanya, dan didalam proses ekstraksi cirinya pun menggunakan tulisan latin sebagai tulisannya.
secara umum tidak menggunakan ciri – ciri fisik Berbagai pengembangan metode sintaktik telah
yang bisa diamati oleh mata manusia [1]. dilakukan untuk pengenalan tulisan tangan ini,
seperti, Pengenalan huruf Arab yang menggunakan
Pembelajaran seperti ini akan membutuhkan adaptive slant correction algorithm dan polygonal
banyak data untuk proses pembelajarannya, untuk approximation algorithm dalam fungsi fuzzy [10],
beberpa kasus penggunaan metode statistik ini handwriting model for syntactic recognition of
sangat efisien dan memiliki tingkat keakuratan yang cursive script [9]. Penggunaan markov model [12]
tinggi [1,3]. Namun dengan semakin banyaknya data pun juga sangat gemar digunakan saat ini. Berbagai
inipun ternyata tidak membuat sistem pembelajaran sistem pengenalan tulisan baik itu tulisan cetak
dengan menggunakan metode statistik ini akan komputer ataupun tulisan tangan, sudah sangat
menjadi lebih baik, malah akan semakin sulit dalam berkembang dengan memanfaatkan konsep marcov
mengenali, ini dikarenakan semakin banyak data model.
yang digunakan dalam pembelajaran, maka proses
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.
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
Gambar 12. Contoh Bentuk Implementasi pada Kombinasi Recognit., 2014: pp. 916–928.
Angka. [3] A.K. Jain, R.P.W. Duin, J. Mao, Statistical pattern
recognition: a review, IEEE Trans. Pattern Anal. Mach.
6. PEMBAHASAN Intell. 22 (2000) 4–37.
[4] L. Lam, S.W. Lee, C.Y. Suen, Thinning
Dari hasil percobaan yang dilakukan ditemukan methodologies--A comprehensive survey, IEEE Trans.
beberapa hasil yang salah. Kesalahan ini disebabkn Pattern Anal. Mach. Intell. 14 (1992) 869–885.
oleh beberapa hal yang menjadi pembahasan dalam [5] S. Li, Z. Ling, J. Cao, K. Li, G. Liu, A step detection
diskusi ini. Beberapa kesalahan yang muncul dapat algorithm based-on Chain Code, in: 2011 IEEE 3rd Int.
disebabkan oleh salah satu kendala berikut: Conf. Commun. Softw. Networks, ICCSN 2011, 2011:
pp. 164–167.
Rantai kode yang tidak nyambung (Terputus), [6] C.L. Liu, F. Yin, D.H. Wang, Q.F. Wang, Chinese
bagian rantai kode yang terputus ini dapat handwriting recognition contest 2010, in: 2010 Chinese
menyebabkan hilangnya suatu bulatan atau Conf. Pattern Recognition, CCPR 2010 - Proc., 2010:
simpul, dan bisa juga menambah jumlah ujung pp. 1100–1104.
dari objek angka yang diamati, sehingga [7] L.M. Lorigo, V. Govindaraju, Offline Arabic
menyebabkan karakteristik yang didapatkan Handwriting Recognition :, 28 (2006) 712–724.
menjadi lebih banyak atau lebih sedikit dari [8] L.M. Lorigo, V. Govindaraju, Offline arabic
karakteristik yang seharusnya. Dan ini sangat handwriting recognition: A survey, IEEE Trans. Pattern
mempengaruhi nilai hasil yang didapatkan. Anal. Mach. Intell. 28 (2006) 712–724.
[9] M. Parizeau, R. Plamondon, A handwriting model for
Adanya aspek kursif (tulisan miring) dalam syntactic recognition of cursive script, Proceedings.,
obyek ternyata juga masih dapat merubah hasil 11th IAPR Int. Conf. Pattern Recognition. Vol.II. Conf.
yang diperoleh, seperti angka satu yang terlalu B Pattern Recognit. Methodol. Syst. II (1992) 308–312.
miring akan menyebabkan ia mengarah ke [10] M. Parveze, Arabic Handwritten Text Recognition
Using Structural and Syntactic Pattern Attributes, PhD
angka tujuh, angka empat yang terlalu miring
Diss. 46 (2010) 141–154.
akan mengarah ke angka sembilan, begitu juga
[11] H. Pesch, M. Hamdani, J. Forster, H. Ney, Analysis of
dengan beberapa angka lain yang jika
preprocessing techniques for Latin handwriting
dimiringkan akan menyerupai angka lain yang
recognition, in: Proc. - Int. Work. Front. Handwrit.
dekat dengannya. Recognition, IWFHR, 2012: pp. 280–284.
[12] T. Plötz, G.A. Fink, Markov models for offline
7. KESIMPULAN
handwriting recognition: A survey, Int. J. Doc. Anal.
Hasil yang diperoleh dengan memanfaatkan Recognit. 12 (2009) 269–298.
properti geometri atau ciri spesifik dari angka ini [13] G. Vamvakas, N. Stamatopoulos, B. Gatos, I.
cukup memuaskan, berbagai tulisan tangan untuk Pratikakis, S.J. Perantonis, Greek Handwritten
angka telah dapat dikenali dengan baik, walaupun Character Recognition, Comput. Intell. (2007).
masih terdapat beberapa kesalahan hasil deteksi [14] R. Willett, G. Yu, Geometric property (T), Chinese Ann.
yang disebabkan oleh kerancuan penulisan atau Math. Ser. B. 35 (2014) 761–800.
ketidak sempurnaan rantai kode yang didapatkan.
Dari 255 data yang digunakan untuk pengujian