sistem pengenalan tulisan tangan real time...
TRANSCRIPT
Oleh: Bakhtiar Arifin (1206 100 722)
Dosen Pembimbing: Prof. DR. M. Isa Irawan, MT
SISTEM PENGENALAN TULISAN TANGAN REAL TIME
MENGGUNAKAN METODE DOMINANT POINT DAN
JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
DAFTAR ISIPENDAHULUAN
LATAR BELAKANG
RUMUSAN MASALAH
BATASAN MASALAH
TUJUAN DAN MANFAAT
TINJAUAN PUSTAKA
KAJIAN TERDAHULU
METODE DOMINANT POINT
JARINGAN SYARAF TIRUAN LVQ
METODOLOGI PENELITIAN
RANCANGAN UMUM SISTEM
SEGMENTASI
METODE DOMINANT POINT
KLASIFIKASI
UJI COBA
PENGARUH LEARNING RATES
PENGARUH NILAI BATAS CANDIDATE SELECTION
UJI COBA KESELURUHAN
KESIMPULAN DAN SARAN
DAFTAR PUSTAKA
LATAR BELAKANG
Perkembangan Komuter
dan Device Pendukung
Pengenalan Tulisan Tangan
Real Time
Metode Dominant Point
Jaringan Syaraf Tiruan LVQ
RUMUSAN MASALAH
Berdasarkan latar belakang masalah di atas maka
diperoleh rumusan masalah sebagai berikut:
1. Bagaimana merancang dan membangun sistem
pengenalan tulisan tangan real time.
2. Bagaimana pengimplementasian metode dominant
point untuk ekstraksi ciri tulisan tangan real time.
3. Bagaimana pengimplementasian metode jaringan
syaraf tiruan learning vector quantization (LVQ) untuk
pengenalan karakter tulisan tangan real time.
BATASAN MASALAH
Batasan masalah pada penelitian ini antara lain sebagai
berikut:
1. Pengenalan karakter dilakukan denganmenggunakan jaringan syaraf tiruan learning vector quantization.
2. Karakter yang akan dikenali adalah data abjad A-Z, a-z, angka 0-9 dan beberapa simbol matematika (α, ß, γ, π, -, +,* , /, < dan >).
3. Pengenalan dilakukan per-karakter (Single Character Recognition).
4. Sistem akan diimplementasikan menggunakan Java Netbeans 6.8.
TUJUAN DAN MANFAAT
TujuanTujuan dari tugas akhir ini adalah perencanaan
dan pembuatan sistem pengenalan tulisan tangan realtime dengan menggunakan metode dominant point danjaringan syaraf tiruan learning vector quantization.
ManfaatSistem yang akan dibuat diharapkan dapat
menjadi alterantif dalam input data komputer selain darimengetik melalui keyboard. Selain itu dapat jugadigunakan sebagai acuan dalam pemilihan metodepengenalan tulisan tangan untuk pengembanganselanjutnya.
KAJIAN TERDAHULU
Asworo (2010)
• Perbandingan Antara Metode Kohonen Neural Network Dan Learning Vector Quantization PadaSistem Pengenalan Tulisan Tangan Secara Real Time
Achmad Fauzi A
(2010)
• Perangkat Lunak Pengkonversi Teks Tulisan TanganMenjadi Teks Digital
METODE DOMINANT POINT
Metode ini merupakan salah satu metode yangdigunakan untuk mengenali garis ataupun kurva. Darisemua titik-titik yang diterima sistem sebagai input akandipilih titik-titik yang merupakan local extrema kurva.Titik-titik inilah yang disebut dengan dominant points.Berdasarkan dominant points yang ada, ditentukan arahgerakan pena. Arah gerakan yang didapat akandicocokkan dengan reference yang dimiliki denganmenggunakan jaringan syaraf tiruan learning vectorquantization.
DOMINANT POINT
Dominant point adalah titik-titik yang termasuk
dalam kategori berikut ini: (a) titik awal dan titik akhir
goresan/stroke; (b) local extrema; (c) titik tengah yang
menghubungkan dua titik dari kategori (a) dan (b).
DIRECTION PRIMITIVES
Direction primitives digunakan untuk mengubaharah gerak ke dalam kode. Arah gerak yang dipakai ada8 macam, yaitu {E, SE, S, SW, W, NW, N, NE}. Arahgerak tersebut akan dikodekan ke dalam bilangan 0sampai 7. Setelah semua arah dikodekan, akandidapatkan chain code untuk setiap stroke
JARINGAN SYARAF TIRUAN LVQ
Adapun algoritma dari LVQ adalah :
Langkah 1. Inisialisasikan vektor referensi dan learning rate,
Langkah 2. Selama kondisi berhenti bernilai salah, kerjakan
a. Inisialisasikan vektor referensi dan learning rate,
b. Temukan sehingga bernilai minimum
c. Perbaiki dengan :
1. jika T = maka
2. jika T maka
d. Kurangi learning rate
e. Tes kondisi berhenti
jc
jc
( ) ( ) ( )j j jw baru w lama x w lama
( ) ( ) ( )j j jw baru w lama x w lama
AKUSISI DATA
goresan ke-1titik ke-1 (x,y)titik ke-2 (x,y)titik ke-3 (x,y)...goresan ke-2titik ke-1 (x,y)titik ke-2 (x,y)titik ke-3 (x,y)...
SEGMENTASI
(a) (b)
(c) (d)
Gambar 3.2. Ilustrasi proses segmentasi.a) Input Tulisan, b) Segmentasi Karakterc) Segmentasi Baris, d) Segmentasi Kata.
GET DOMINANT POINTS
4555555555554654554455454654544444444444444444444444434434343443333424343232323423332332432423322332324322223222322222222222222112212121122121212211102021111112010110110101101001010010010010000000000000000000000007070000670777070777707060670760777060770670
55555555555444444444444444444444433333332222222222222222222111111111000000000000000000000000007777777777
5432107
GET DOMINANT POINTS
(a) (b)Gambar 3.5. Ilustrasi proses dominant point
a) Input Karakter, b) Dominant Point
EKSTRAKSI CIRI
• Binerisasi
555555444433332222111100007777
101101101101101101100100100100011011011011010010010010001001001001000000000000111111111111
KLASIFIKASI
• Candidate Selection
Kriteria penilaian precandidate adalah denganmenggunakan jumlah stroke, start area dan end area.Jikakode area tepat sesuai dengan kode yang diinginkan,maka score-nya adalah 100, namun jika areanya bergeserke daerah yang di sebelahnya maka score yang diberikanadalah 50. Jika areanya melenceng jauh, maka score yangdiberikan adalah 0. Masing-masing score untuk kode areaakan dirata-rata sesuai dengan jumlah goresannya.
UJI COBA
Terdapat beberapa hal yang menyebabkan sistem tidakberjalan dengan baik yaitu :a. Semakin banyak jenis karakter atau angka yang
dilatih maka persentase akurasi yang dihasilkan akansemakin berkurang. Hal ini disebabkan karenasemakin banyak karakter atau angka yang mirip arahgoresannya.
b. Penulisan dengan menggunakan mouse kurangmemberikan hasil yang baik karena user sulit untukmenyesuaikan antara karakter yang akan dilatih dandiuji.
KESIMPULAN
Dari implementasi dan uji coba sistem pengenalantulisan tangan secara real time dengan metode dominantpoint dan jaringan syaraf tiruan learning vector quantizationdiperoleh hasil pengenalan yang cukup baik. Akurasiyang diperoleh pada pengenalan 72 karakter dengan 720 data training sebesar 76%.
SARAN
1. Data yang digunakan untuk proses training masihkurang bervariasi.
2. Untuk lebih meningkatkan akurasi penenalantulisan, proses pengenalan bisa dilanjutkandengan proses postprocessing dengan mencocokkanhasil pengenalan kedalam database kamus untukmencari kata yang paling mendekati.
3. Pengenalan tulisan tangan untuk simbol-simbolmatematika masih bisa dilanjutkan untukpengenalan indeks, pangkat, matriks dan lainsebagainya.
DAFTAR PUSTAKA[1] Asworo. 2009. “Perbandingan Antara Metode Kohonen Neural Network dan Learning Vector Quantization Pada Sistem Pengenalan Tulisan Tangan Secara Real Time”. Tugas Akhir Jurusan Matematika FMIPA-ITS.
[2] Fausett, L. 1994. Fundamental of Neurall Network : Architectures, Algorithms, and Applications. Prentice Hall International, Inc.
[3] Fauzi, Ahmad. 2009. “Perangkat Lunak Pengkonversi Teks Tulisan TanganMenjadi Teks Digital”. Tugas Akhir Jurusan Matematika FMIPA-ITS.
[4] Kristanto, A. 2004. Pengantar Jaringan Syaraf Tiruan. Yogyakarta : GavaMedia.
[5] Li, X., Yeung, D.Y. 1996. On-line Handwritten alphanumeric Character Recognition Using Dominant Points in Strokes. <URL:http://www.cs.ust.hk/~dyyeung/paper/pdf/yeung,pdf>
[6] Soedjianto,F dkk. 2005. Pengenalan Tulisan Tangan Berdasarkan ArahGerakan Tangan menggunakan Metode Dominant Point. <URL:http://repository.petra.ac.id/141/>