SHADOW FEATURE EXTRACTION
Nama
:
Angsorul Anam
NIM
:
11410200011
Program
:
S1(Strata Satu)
Jurusan
:
Sistem Komputer
INSTITUT BISNIS DAN INFORMATIKA STIKOM
SURABAYA
ix
1.6 Sistematika Laporan ... 5
BAB II LANDASAN TEORI ... 6
2.1 Aksara Jawa ... 6
2.2 Optical Character Recognition (OCR) ... 7
2.3 Ekstraksi Fitur ... 8
2.5 Shadow Feature ... 8
2.6 Handwritten ‘Bangla’ Alphabet Recognition Using An MLP Based Classifier (Basu, dkk., 2005) ... 10
2.7 An MLP Based Approach For Recognition of Handwritten ‘Bangla’ Numerals (Basu,dkk., 2005) ... 11
2.8 Handwriten Arabic Numeral Recognition Using Multi Layer Perceptrone (Das, dkk., 2006) ... 12
2.9 Handwritten Bangla Basic Coumpound Character Recognition Using MLP and SVM Classifier (Das dkk., 2010) ... 13
2.10 Pengenalan Pola Tulisan Tangan Jawa “Ha Na Ca Ra Ka” Menggunakan Multi Layer Perceptron (Wibowo dan Wira Kusuma, 2013) ... 13
2.11Multi Layer Perceptron ... 14
BAB III METODE PENELITIAN... 17
3.1 Rancangan Penelitian ... 17
3.2 Alat dan Bahan Penelitian ... 18
3.2.1 Alat Penelitian ... 18
3.2.2 Bahan Penelitian ... 18
3.3 Tahapan Penelitian ... 19
3.3.1 Perancangan Perangkat Lunak ... 20
3.4 Teknik Pengumpulan & Analisis Data ... 30
3.4.1 Pengunmpulan Data ... 30
3.4.2 Pelatihan MLP ... 31
3.4.3 Analisis Data ... 32
4.1 Pengujian Perangkat Lunak ... 35
4.1.1 Pengujian Region Of Interest (ROI) ... 35
4.1.2 Pengujian Resize Citra ... 38
4.1.2 Pengujian Metode Shadow Feature Exctraction ... 40
4.2 Pengujian Pengenalan Sampel Training ... 46
4.3 Pengujian Pengenalan Sampel Testing ... 48
BAB V PENUTUP ... 52
5.1 Kesimpulan ... 52
5.2 Saran ... 52
DAFTAR PUSTAKA ... 54
1
BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah
Keberadaan sebuah tulisan bagi masyarakat, merupakan hal yang penting untuk berkomunikasi dengan orang lain selain dengan bahasa (lisan). Disisi lain banyak kemungkinan tulisan dengan huruf yang khas mempunyai histories
tersendiri bagi penulis maupun pembacanya. Di negara Cina, Jepang, dan Korea misalnya mereka menggunakan tulisan tradisional mereka dalam kehidupan sehari-hari. Di Indonesia ada berbagai tulisan tradisional dengan huruf yang khas dari tiap-tiap daerah salah satunya adalah aksara Jawa
Banyak aplikasi-aplikasi yang dikembangkan untuk mengenali penulisan tangan dikenal sebagai Optical Character Recognition (OCR). Pada umumnya pengenalan dilakukan pada huruf alphabet saja. Angka Jawa (aksara wilangan) atau aksara Jawa adalah salah satu kebudayaan Indonesia dari nenek moyang yang harus dikenalkan pada generasi penerus. Karakter angka Jawa terdiri dari beberapa angka dasar dari angka 0-9.
Wibowo dan Wirakusuma pada 2013 telah melaporkan hasil pengenalan pola pada Aksara Jawa “Ha Na Ca Ra Ka” menggunakan Multi Layer Perceptron
Basu,dkk pada 2005 melakukan penelitian tentang pengenalan pola pada huruf Bangla Handwritten „Bangla‟ Alphabet Recognition Using An MLP Based Classifier. Dalam penelitian tersebut masukkan dari MLP adalah keluaran dari proses ekstraksi fitur. Pengujian data sampel pelatihan persentase keberhasilannya 86,46%, sedangkan pada data yang belum pernah dilatih persentase keberhasilannya mencapai 75,05%.
Dalam pengerjaan Tugas Akhir ini dibuat aplikasi untuk pengambilan fitur menggunakan shadow feature extraction. Metode ini digunakan untuk mengenali pola (ciri) dari citra tulisan tangan sebelum dilakukan klasifikasi karakter oleh MLP. Shadow feature merupakan metode pengenalan pola dengan menghitung panjang bayangan dari citra. Penggunaan metode ekstraksi ciri shadow feature
berfungsi untuk memperkecil kemungkinan klasifikasi atau pengenalan karakter, disebabkan penulisan tangan masing-masing orang berbeda. Dikatakan demikian karena pola penulisan satu orang dengan orang lainnya akan memiliki perbedaan yang lebih sedikit dibandingkan citra input yang langsung dikenali, proses ini dinamakan ekstraksi ciri atau pengenalan pola. Pola atau ciri pada metode shadow feature yang dimaksud adalah panjang bayangan pada tiap area yang dibagi seperti yang telah dijelaskan sebelumnya. MLP berfungsi untuk mengklasifikasikan karaktersetelah mendapatkan input data-data hasil ekstraksi
1.2 Perumusan Masalah
Adapun permasalahan yang akan dihadapi dalam pengerjaan Tugas Akhir ini diantaranya adalah :
1. Bagaimana cara metode shadow feature mengekstraksi fitur tulisan tangan angka Jawa.
2. Bagaimana cara mengenali tulisan angka Jawa yang telah diekstraksi shadow feature menggunakan MLP.
3. Berapa besar persentase keberhasilan dan error pengenalan dari sampel angka Jawa yang belum pernah dilatihkan.
1.3 Batasan Masalah
1. Menggunakan software Visual Basic 6.0.
2. Objek yang dideteksi adalah pola tulisan tangan Angka Jawa tanpa noise. 3. Pengerjaan tugas akhir hanya pada bagian ekstraksi ciri shadow feature saja. 4. Media interaktif untuk pengumpulan data adalah kanvas virtual atau tablet.
1.4 Tujuan
Tujuan dari pembuatan aplikasi yang akan dilakukan pada Tugas Akhir ini adalah sebagai berikut:
1. Mengoptimalkan pengenalan karakter dengan menggunakan shadow feature extraction.
2. Mengintegrasikan shadow feature dengan MLP.
1.5 Kontribusi
Pada 2013 Wibowo dan Wirakusuma meneliti tentang pengenalan pola tulisan tangan untuk Aksara Jawa nglegena dengan menggunakan metode multi layer perceptron. Dalam penelitian tersebut, data yang digunakan pada jaringan MLP adalah data citra mentah.
Penelitian ini berfokus pada Angka Jawa dan pengolahan ekstraksi ciri
1.6 Sistematika Laporan
BAB I : PENDAHULUAN
Bab ini berisi tentang latar belakang masalah, perumusan masalah, pembatasan masalah, tujuan penulisan laporan tugas akhir, kontribusi dan sistematika penulisan tugas akhir.
BAB II : LANDASAN TEORI
Bab ini membahas tentang berbagai teori yang mendukung tugas akhir ini. Hal tersebut meliputi shadow feature, optical character recognition,
ekstraksi fitur, angka Jawa, selain itu dijabarkan pula referensi–referensi terkait penelitian yang pernah dilakukan sebelumnya.
BAB III : METODE PENELITIAN
Bab ini berisi penjelasan tentang tahap-tahap yang dikerjakan dalam penyelesaian TA dalam pembuatan aplikasi shadow feature extraction
sebagai ektraksi ciri dan penggabungan data dengan MLP
BAB IV : PENGUJIAN DAN ANALISIS SISTEM
Bab ini berisi tentang pengujian ektraksi ciri dan pengenalan pola tulisan angka Jawa. Pengujian yang dilakukan meliputi ROI (region of interest),
resize, shadow feature extraction, pengenalan pola pada MLP dengan
shadow feature extraction.
BAB V : PENUTUP
6
2.1 Aksara Jawa
Carakan (Abjad/Aksara Jawa) adalah huruf yang digunakan dalam ejaan bahasa Jawa yang pada dasarnya terdiri atas dua puluh aksara pokok (nglegena), yang ditunjukkan pada Gambar 2.1, yang bersifat silabik (kesukukataan). (Darusuprapta, dkk., 2002). Bentuk kontemporer Aksara Jawa terbentuk sejak masa Kerajaan Mataram pada abad ke-17.
Selain dua puluh aksara pokok tersebut, Aksara Jawa juga memiliki kelompok aksara kapital (murda), vokal (swara), rekaan (rekan), pengubah bunyi (sandangan), penanda gugus konsonan, penutup konsonan(pasangan), pangkon, tanda baca, dan angka.
Gambar 2.1 Aksara Jawa Nglegena
Gambar 2.3 Tanda “Pada Pangkat” untuk Mengapit Penulisan Angka Jawa
Beberapa dari Angka Jawa, seperti pada Gambar 2.4, dalam Aksara Jawa memiliki bentuk yang mirip dengan kelompok Aksara Jawa lainnya. Beberapa di antaranya misalkan angka “1” dalam Aksara Jawa memiliki bentuk yang sama
dengan huruf “Ga” pada kelompok Aksara Jawa Nglegena, kemudian angka “9” sama dengan huruf “Ya” dalam kelompok Aksara Jawa Nglegena. Oleh karena itu, penulisan Angka Jawa, menurut pedoman yang ditulis oleh Darusuprapta dkk., harus diapit oleh tanda baca yang memiliki istilah “pada pangkat” seperti
pada Gambar 2.3.
2.2 Optical Character Recognition (OCR)
2.3 Ekstraksi Fitur
Ekstraksi fitur dapat didefinisikan sebagai ekstraksi yang mengutamakan informasi dari ciri yang mewakili sebuah baris data, yang mana data diminimalisasi ke dalam pola yang berbeda-beda (Trier, 1996). Untuk tujuan inilah, kumpulan dari ciri (fitur) yang diekstrak pada tiap-tiap kelas akan membantu untuk membedakan pola yang diekstrak dari pola lain.
2.4 Region Of Interest (ROI)
Region Of Interest (ROI) merupakan salah satu fitur yang tersedia dalam JPEG2000. ROI memungkinkan dilakukannya pengkodean secara berbeda pada area tertentu dari citra digital, sehingga mempunyai kualitas yang lebih baik dari area sekitarnya.Fitur ini menjadi sangat penting, bila terdapat bagian tertentu dari citra digital yang dirasakan lebih penting dari bagian yang lainnya.
Piksel memiliki nilai intensitas tertinggi dalam seleksi citra, kemudian piksel dibandingkan dengan piksel tetangga.Perbandingan ada perubahan dalam tingkat intensitas nilai piksel. Semua piksel memiliki bentuk intensitas yang sama dalam ROI (Nurtanio, dkk, 2013).
2.5 Shadow Feature
tersebut dilakukan dengan cara memproyeksikan bayangan.dengan carascanning.
Scanning dilakukan supaya didapatkan nilai dari tiap-tiap pixel citra yang bernilai 1 (hitam). Selama scanning dilakukan juga penghitungan panjang fitur bayangan, sehingga pada akhir
Konsep dasar Shadow Feature Extraction Mula-mula citra biner dimasukkan kedalam frame berbentuk persegi, yang dibagi menjadi 8 bagian. Masing-masing bagian memiliki 3 sisi dan 3 arah pencahayaan seperti pada Gambar 2.4.
Gambar 2.4Ilustrasi untuk Shadow Feature (a - d).
Gambar 2.5 Hasil Citra yang Sudah Didapatkan Fitur Bayangannya (Basu dkk, 2005).
2.6 Handwritten ‘Bangla’ Alphabet Recognition Using An MLP Based
Classifier (Basu, dkk., 2005)
Penelitian serupa pernah dilakukan oleh Basu pada tahun 2005.Dalam penelitian tersebut, metode yang digunakan adalah multi layer perceptron.MLP digunakan untuk melakukan pengenalan terhadap huruf-huruf alfabetik Bangla. Huruf alfabetik Bangla terdiri dari 50 jenis huruf yang terdiri dari 11 huruf vokal dan 39 huruf konsonan seperti pada Gambar 2.7.
(a)
(b)
Gambar 2.6. Huruf Alfabetik Bangla (a) Vokal dan (b) Konsonan
Tabel 2.1. Performa Keberhasilan MLP dengan Variasi Jumlah Neuron
Jumlah Neuron 35 40 45 50 55 60 65 70 75
Pembelajaran (%) 80,35 80,93 82,8 84,7 85,7 86,46 87,36 86,69 86,65 Uji (%) 70,35 70,7 71,6 73,15 74,2 75,05 73,65 74,7 72
Proses training dilakukan dengan bentuk jaringan yang hanya memiliki satu layer tersembunyi dan dengan beberapa konfigurasi jumlah neuron yang berbeda-beda. Masing-masing proses pelatihan dilakukan sampai dengan 2.000 iterasi, laju pembelajaran sebesar 0,8, dan nilai momentum sebesar 0,7.
percobaan tersebut, persentase keberhasilan dari sampel pembelajaran adalah 86,46% sedangkan untuk sampel uji adalah 75,05%.
2.7 An MLP Based Approach for Recognition of Handwritten ‘Bangla’
Numerals (Basu, dkk., 2005)
Seperti halnya pada Sub-Bab 2.6, pada penelitian ini peneliti yang sama dan dengan metode yang sama membuat pengenalan pola tulisan tangan untuk angka „Bangla‟. Angka Bangla terdiri dari 10 jenis angka yang merepresentasikan 0 – 9 seperti pada Gambar 2.7.
Gambar 2.7. Bentuk Tulisan Angka „Bangla‟
Pada penelitian kali ini digunakan data sampel tulisan tangan untuk angka-angka „Bangla‟ dari 600 orang, sehingga didapatkan 6.000 sampel pola.4.000 sampel digunakan sebagai sampel pembelajaran dan 2.000 sampel digunakan sebagai sampel uji.
Hasil dari penelitian ini menunjukkan bahwa tingkat keberhasilan paling tinggi didapatkan dari percobaan dengan jumlah neuron 65, yaitu 96,67%.
2.8 Handwritten Arabic Numeral Recognition using a Multi layer
Perceptron (Das, dkk., 2006)
metode yang digunakan juga masih sama. Hanya saja bedanya adalah jenis karakter yang dikenali adalah angka Arab.
Angka Arab terdiri dari 10 jenis karakter yang merepresentasikan 0 – 9 seperti pada Gambar 2.8. Dalam penelitian ini sebanyak 300 set tulisan angka Arab dari orang-orang yang berbeda digunakan sebagai sampel. Yang digunakan sebagai sampel uji sebanyak 2.000 sampel, sedangkan sisanya digunakan sebagai sampel uji.
Hasil paling baik didapatkan pada jaringan dengan jumlah neuron pada
layer tersembunyi sebanyak 54 neuron.Persentase keberhasilan dari bentuk jaringan tersebut mencapai 95%.
Gambar 2.8. Bentuk Tulisan Angka Arab
2.9 Handwritten Bangla Basic and Compound Character Recognition Using
MLP and SVM Classifier (Das dkk., 2010)
Das dkk, pada 2010 melanjutkan penelitian pengenalan karakter Bangla.Kali ini, yang dikenali adalah 55 dari 160 karakter vokal dan konsonan pertama yang paling sering digunakan. Ekstraksi ciri yang digunakan adalah
Hasil dari penelitian ini menunjukkan tingkat keberhasilan rata-rata dengan menggunakan MLP adalah 79,25 %. Sedangkan pada metode SVM, rata-rata tingkat keberhasilannya naik menjadi 80,51%.
2.10 Pengenalan Pola Tulisan Tangan Aksara Jawa “Ha Na Ca Ra Ka”
Menggunakan Multi Layer Perceptron (Wibowo dan Wirakusuma,
2013)
Pada 2013, Wibowo dan Wirakusuma telah melakukan kajian terhadap topik ini. Namun tulisan tersebut menggunakan 5 huruf awal, yaitu “Ha”, “Na”,
“Ca”, “Ra”, dan “Ka”. Jumlah sampel yang digunakan untuk pembelajaran adalah
15 set sampel dan pengujian dilakukan terhadap 5 set sampel.
Data yang digunakan untuk dimasukkan dalam jaringan MLP adalah data mentah dari citra yang dikecilkan saja. Dalam penelitian ini tidak digunakan proses ekstraksi ciri.
Hasil dari penelitian tersebut menunjukkan proses pembelajaran yang konvergen dengan nilai SSE sebesar 0.00096118032275095setelah iterasi ke-738.522.Konfigurasi yang digunakan pada penelitian tersebut adalah:
- Iterasi maksimum : 10E+5
Pengujian yang dilakukan mendapatkan hasil bahwa seluruh sampel pembelajaran yang dicoba untuk dikenali ulang berhasil dikenali dengan benar.Sedangkan untuk sampel uji, 14 huruf dari 25 huruf uji dapat dikenali dengan benar.
2.11 Multi Layer Perceptron
Multi Layer Perceptron (MLP) adalah perkembangan dari algoritma
perceptron yang memiliki layer lebih dari sekedar input layer dan output layer. Pada MLP, terdapat layer-layer tambahan yang disebut dengan hidden layer. Dengan adanya hidden layer ini MLP dimungkinkan untuk dapat mengenali pola yang kompleks yang tidak dapat dikenali oleh struktur jaringan perceptron
Gambar 2.9 Struktur Jaringan MLP (Ham, Kostanic, 2001)
aktivasi. Jika fungsi aktifasi yang dipilih menggunakan fungsi sigmoid unipolar
maka secara umum y didapat dengan persamaan:
. Luaran y dari neuron di output layer adalah luaran akhir dari MLP. Proses yang terjadi mulai dari input layer hingga output layer ini disebut dengan
17
METODE PENELITIAN
3.1 Rancangan Penelitian
Gambar 3.1 Blok Diagram Pengambilan Shadow Feature
Gambar 3.1 adalah blok diagram sistem keseluruhan perangkat lunak yang dibuat, akan tetapi blok di dalam garis putus-putus berwarna merah merupakan fokus utama dari pengerjaan Tugas Akhir ini. Citra diambil dari media input
interaktif yang memungkinkan untuk diberi tulisan tangan. Data citra dapat memiliki resolusi yang bervariasi.
Pertama-tama melakukan digitalisasi citra yang digambar ke biner, yang kedua adalah preprocessing,dan terakhir melakukan ekstraksi shadow feature
sekaligus normalisasi nilai fitur.Ekstraksi ciri dilakukan dengan mengukurpanjang bayangan dari tiap-tiap sisi pada masing-masing area. Namun sebelum diekstrak citra melalui tahap preprocessing dimana dalamnyaditentukan dulu ROI (region
of interest) dari citra dengan bentuk bujur sangkar dan kemudian resizeukuran (64 x 64 piksel).
3.2 Alat dan Bahan Penelitian
Alat dan bahan yang akan digunakan dalam penelitian ini terdiri dari beberapa alat pendukung untuk pembuatan dan pengujian program. Alat dan bahan yang akan digunakan sebagai berikut.
3.2.1 Alat Penelitian
Alat yang digunakan untuk menyelesaikan penelitian ini adalah Personal Computer (PC)/ Laptop.Alat tersebut bertujuan untuk membuat simulasi 2 dimensi dengan menggunakan program visual basic 6.0.
3.2.2 Bahan Penelitian
Bahan yang akan diteliti oleh penulis dalam penelitian kali ini meliputi beberapa aspek sebagai berikut.
1. Pengambilan fitur bayangan menggunakan software visual basic6.0. 2. Datasampelset citra dari 150 orang, 1 set terdiri 10 citra (angka 0-9) yang telah
simpan pola penulisannya pada komputer. Untuk 100 set untuk keperluan training perangkat lunak dan 50 set untuk keperluan testing.
3. Microsoft excel 2007 digunakan untuk penyimpanan nilai hasil ekstraksi maupun sarana pengujian dan analisa keberhasilan metode yang diterapkan.
3.3 Tahapan Penelitian
Langkah – Langkah yang digunakan dalam menyelesaikan tugas akhir ini adalah seperti pada Gambar 3.2:
Gambar 3.2 Diagram Alir Tugas Akhir
a. Mengumpulkan literatur yang berhubungan dengan TugasAkhir baik dari buku, jurnal, maupun dari internet. Serta memahami dengan rinci pengenalan pola tulisan menggunakan menggunakan shadow feature extraction.
b. Melakukan perancangan perangkat lunak yang akan dibuat. Perancangan perangkat lunak dibagi menjadi beberapa tahap, yaitu :
1. Merancang media untuk memasukkan pola huruf angka Jawa untuk keperluan sampel.
2. Merancang proses ROI (region of interest) untuk keakuratan hasil ekstraksi.
4. Merancang shadow feature extraction dan proses penyimpanan citra huruf yang sudah di-input agar tidak perlu input citra baru lagi untuk memudahkan saat pengujian.
5. Merancang sistem proses evaluasi dan pencatatan.
c. Mengambil sampel data pembelajaran pola huruf pada media yang dibuat pada perangkat lunak. Data pembelajaran harus bervariasi. Ada 10 pola huruf yang harus dikenali dan masing – masing pola diberi 100 variasi sampel data pembelajaran dan 50 sampel data untuk evaluasi.
d. Menjalankan proses pembelajaran sesuai dengan data pembelajaran yang diberikan point c, yang kemudian diekstrak menggunakan shadow feature extraction.
e. Proses pembelajaran menggunakan MLP yang sebelumnya citra sudah diekstrak fitur-fiturnya menggunakan shadow feature extraction.
f. Pencatatan data dan menjalankan sistem keseluruhan yang meliputi parameter-parameter yang sesuai dengan perumusan masalah yang dikemukakan.
g. Melakukan analisa, penarikan kesimpulan dan pengujian siginifikasi hasil yang didapat dari sampel yang diolah terlebih dahulu dengan mengekstrak cirinya dibandingkan dengan pembelajaran menggunakan data mentah.
h. Melaporkan dan mempublikasikan Tugas Akhir dalam bentuk jurnal.
3.3.1 Perancangan Perangkat Lunak
1. Desain Kanvas
Pengambilan pola penulisan angka Jawa dari partisipan dilakukan pada media interaktifberupa kanvas yang digunakan untuk menangkap pola tulisan tangan dari partisipan. Kanvas tersebut akan dibuat dengansoftware visual basicmenggunakan tool picturebox. Resolusi dari kanvas sebesar 256 x 256 piksel.
Dalam penggunaan kanvas tersebut partisipan cukup menggerakkan (drag) kursor sesuai pola angka Jawa yang akan digambar pada kanvas menggunakan
mouse/ mousepen seperti pada Gambar 3.3 berikut.
Gambar 3.3 Kanvas
Pola penulisan angka Jawa dari partisipan disimpan dengan format bitmap
karena bitmap merupakan format gambar yang bisa dibaca oleh program grafis manapun. Langkah-langkah pembuatan kanvas adalah sebagai berikut:
1. Arahkan kursor pada toolbox, kemudian pilih frame
2. Kemudian klik dan drag pada form project.
5. kemudianset satuan resolusi picturebox dalam piksel dengan mengatur
Scale Mode pada picturebox dengan pixel seperti Gambar 3.4.
Gambar 3.4 Tampilan Kanvas dan Properti PictureBox
6. Kemudian setelah itu untuk mengatur lebardan tinggi dari
pictureboxagar didapatkan skala resolusi dari picturebox (256 x 256), pada properti picturebox atur Width 3900 dan Height 3900. seperti Gambar 3.5 berikut:
Gambar 3.5 Pengaturan Kanvas (PictureBox)
2. Digitalisasi
Digitalisasi adalah proses pembacaan warna piksel pada kanvas. Kanvas berwarna putih nilai biner 255 dan citra tulisan berwarnahitam nilai biner 0. Citra yang telah digambardi scan perbaris untuk dibaca warna pikselnya. Dalam scanning ini dilakukan pengklasifikasian terhadap piksel yang diambil, Koordinat piksel-piksel tersebut disimpan ke dalam array dua dimensi dengan format baris dan kolom.
3. Pembuatan ROI (Region Of Interest) dan Scalling / Resize
Proses ROI berfungsi untuk mengabaikan bagian (piksel) dari kanvas yang dirasa tidak perlu untuk diolah datanya. Selain itu setiap orang bisa berbeda-beda dimensi tulisan tangannya.Dalam program sebelum dilakukan proses ROI terlebih dahulu dilihat berapakah ukuran yang digambar oleh partisipan. Media input
(picturebox) berukuran 256x256 (apabila citra diambil dari komputer) diambil kemudian digambar kembali ke kanvas ROI yang berukuran sama seperti Gambar 3.6, namun pada proses tersebut kanvas (picturebox) akan menyesuaikan dimensi dari tulisan tangan partisipan agar dapat terlihat perbedaan sebelum citra melalui ROI. Selanjutnya citra di-resize ke ukuran 64x64 piksel seperti Gambar 3.7,
Gambar 3.7 Citra yang Telah Melewati Proses ROI dan Scalling / Resize
Langkah-langkah untuk melakukan ROI dalam program digambarkan secara umum dalam flowchart berikut ini.
Gambar 3.8 Flowchart Preprocessing (ROI dan Resize)
4. Ekstraksi Ciri Menggunakan Shadow Feature
Citra penulisan tangan dari user yang sudah melalui ROI (region of interest) dan scalling / resizebaru dapat diolah untuk diekstrak.shadow feature extraction adalah pengenalan pola dari suatu citra dengan cara menghitung panjangbayangan dari bagian-bagian citra tertentu. Mula-mula citra digambar/dicetak kembalipada kanvas (picturebox) dimensi 64x64, kemudian kanvas tersebut dibagi menjadi delapan bagian yang masing-masing bagian mempunyai 3 sisi, jadi total fitur bayangan yang didapat berjumlah 24 fitur seperti Gambar 3.9.
Gambar 3.9Ilustrasi Pembagian Area Citra
Pada Gambar 3.9 telah tercantum koordinat-koordinat piksel kanvas (picturebox), nomer area, dan arah gerak proyeksi bayangan pada ke tiga sisipada area 1.Bagian piksel dari citra yang berada di dalam area-area pada gambar diatas akan dihitung panjang bayangannya terhadap sisi yang menghadapnya.
Arah proyeksi fitur bayangan ke tiap sisi dari area 1 menunjukkan letak bayangan yang terproyeksi. Cara menghitung fitur bayangan dilakukan dengan
scanning pada tiap sisi-sisinya yaitu sisi samping, alas dan diagonal. Scanning berhenti jika scan pertama kali menemukan piksel yang berwarna hitam pada tiap baris atau kolom tergantung arah proyeksi bayangannya. Pergerakan dan arah
scanning pada area 1 diilustrasikan oleh anak panah yang berwarna merah, biru dan hijau.
Ekstraksi fitur bayangan samping area 1 scanning bergerak sepanjangsisi diagonal ke bawah, sedangkan arah scanning dari sisi diagonal ke kiri (panah warna merah). Ekstraksi fitur alas pergerakan scanning sepanjang sisi diagonal ke bawah dan arah scanning dari sisi diagonal ke bawah (panah warna merah).Fitur bayangan diagonal pergerakan scanning dari samping ke kanan dan arah
scanningnya dari alas ke atas (panah warna hijau).Seterusnya sampai dengan area 8 dengan menyesuaikan hadap masing area (segitiga)diatas.
Langkah-langkah ekstraksi dijelaskan dengan flowchart pada Gambar 3.11 berikut:
Gambar 3.11 Shadow Feature Extraction
5. InputMulti Layer Perceptron(MLP)
Keluaran dari ekstraksi shadow feature adalah panjang bayanganfitur bayangan dari tiap-tiap sisi masing-masing area yang telah di normalisasi. Nilai fitur bayangan dari tiap area ini kemudian di normalisasi dengan cara dibagi dengan panjang total masing-masing sisi. Gambar 3.12 berikut ini adalah capture
Gambar 3.12 Hasil Ekstraksi
Jumlah nilai normalisasi berjumlah 24 buah terdiri dari ekstraksi pada sisi-sisi area, dan desired berjumlah 10 buah total neuron layer input 34 buah seperti pada Gambar 3.13.
Gambar 3.13Output Dari Shadow Feature Menjadi Input-an MLP
Sam
pe
l T
rai
ni
ng
Sam
pe
l Te
st
ing
Langkah meng-input-kannilai output ekstraksi (Gambar 3.14) dan pengujian MLP(Gambar 3.15) pengolahan data ekstraksinya diperlihatkan dalam
flowchart.
Gambar 3.15Flowchart Testing MLP
3.4 Teknik Pengumpulan & Analisis Data
3.4.1 Pengumpulan Data
Data sampel primer untuk 1 set (10 pola angka) diperoleh dengan mengumpulkan hasil tulisan tangan dari orang yang berbeda. Karena ada 100 data sampel pembelajaran dan 50 data sampel uji untuk masing-masing angka, diperlukan 150 orang yang masing-masing memberikan 1 set sampel tulisan tangannya dalam angka Jawa.
bobot optimal tersebut akan diuji menggunakan pola angka, baik dari sampel yang digunakan untuk pembelajaran, pengujianmaupun citra yang baru digambarkan. Hasil pengujian antara sampel pelatihan, pengujian, dan data baru akan saling dibandingkan.
3.4.2 Pelatihan MLP
Aplikasi ini akan menghasilkan 2 buah filelog untuk bobot yang dihasilkan. Bobot hasil akhir pembelajaran yang tercapai apabila syarat error minimum atau iterasi maksimum terpenuhi, akan disimpan ke dalam file
weight.dat. Selain itu, ada file bernama weight2.dat untuk menyimpan informasi bobot setiap 100 iterasi. Hal ini diperlukan sebagai tindakan preventif bila terjadi hal-hal yang dapat menghentikan aplikasi sebelum mencapai akhir pembelajaran, yang bisa disebabkan karena komputer hang atau putusnya aliran listrik.
Proses pembelajaran dilakukan dengan konfigurasi sebagai berikut:
Proses pembelajaran dilakukan sebanyak 133.500iterasi dengan menggunakan 100 set sampel input dengan nilai error akhir sebesar 6.76168169753287E-04. Ini berarti bahwa proses pembelajaran selesai hingga target error minimum terhadap data sampel terpenuhi. Bobot yang dihasilkan akan disimpan pada file weight.dat.
3.4.3 Analisis Data
Data yang sudah terkumpul baik citra maupun hasil normalisasi ekstraksi(notepad) akan dilatihkan terhadap MLP dan dilakukan pengujian kembali pada data sampel yang diperoleh untuk menghitung nilai error pada perangkat lunaksesudah pembelajaran.
33
Perancangan perangkat lunak terdiri dari beberapa bagian, yaitu perangkat lunak berbasis shadow feature dan multi layer perceptron (MLP), pada bagian
shadow feature bagian input data terdiri dari sebuah kanvas berukuran lebar dan tinggi 256 x 256 piksel. Kanvas ini digunakan untuk menuliskan aksara Jawa. Setelah sebuah angka Jawa dituliskan pada kanvas atau tablet, citra akan dimasukkan prosesregion of interest (ROI)dan di resize menjadi citra berukuran 64 x 64 piksel.
Dengan menggunakan media input tersebut, telah dikumpulkan sampel untuk pelatihan sejumlah 1500 buah sampel berupa tulisan angka Jawa mulai dari angka0 sampai 9 (10 macam). Sampel-sampel ini berikutnya akan digunakan untuk diekstraksi fitur bayangannya menggunakan metode shadow feature
Pada bagian multi layer perceptron (MLP)terdiri dariinput data pembelajaran, pengaturan parameter pembelajaran, dan evaluasi.Jumlah kategori
output yang disediakan adalah 10 macam untuk masing-masing angka Jawa.
Gambar 4.1 Tampilan Aplikasi Pengambilan FiturBayangan
Pengujian sistem yang dibuat secara keseluruhan adalah pengujian terhadap ROI, resize, pengujian metode shadow feature extraction, dan evaluasi
multi layer perceptron (MLP). Pengujian region of interest (ROI) dan pengujian
resizecitra input akan dibandingkan dengan menggunakan software pixilion
pengujian terhadap shadow feature extraction meliputi pengujian terhadap ekstraksi fitur bayangan berdasarkan panjang piksel yang dihasilkan masing-masing area menggunakan Microsoft excel 2007. Pada tahap terakhir dilakukan pengujian terhadap klasifikasi yang dilakukan MLP untuk mengukur tingkat akurasi pengenalan.
MLP Parameter Input Data
Evaluasi
4.1 Pengujian Perangkat Lunak
Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masin-masing komponen perangkat. Alat dan bahan yang digunakan sebelum pengujian:
1. Personal Computer (PC) / Laptop. 2. Software Visual Basic6.0.
3. Software Pixilion Image ConverterPlus. 4. Software Matlab 7.0.
5. Microsoft Excel 2007.
4.1.1 Pengujian Region Of Interest (ROI)
A. Tujuan
Pengujian bertujuan untuk mengetahui apakah hasil cropping yang dilakukan pada bagian dari citra input tidak ada yang hilang saat setelah cropping
atau sudah sesuai dengan tinggi dan lebar target ROI. B. Prosedur Pengujian
1. Klik Project Visual Basic 6.0 (.vbp). 2. Run program.
3. Kemudian klik tombol Load pilih citra berukuran apa saja dari sampel yang telah dikumpulkan pada direktori.
4. KlikTombol 256 x 256.
5. Klik tombol Entry untuk melakukan proses ROI.
7. Sampel citra yang digunakan seperti pada Gambar 4.2 berikut:
Gambar 4.2 Citra Sampel Pengujian ROI C. Hasil Pengujian
Gambar 4.3 Pengujian ROI Sampel Angka 0 Area yang diabaikan
Hasil Resize dari ROI (64 x 64)
ROI Dimensi
Citra
Dimensi Citra ROI
(a) (b)
Gambar 4.4 Pengujian ROI Sampel Angka 2
Gambar 4.5Pengujian ROI Sampel Angka 7
Hasil pengujian Sampel citra Angka 0, 2, dan 7, menunjukkan bahwa ROI sudah sesuai dengan target, area yang diabaikan (warna orange) pada masing-masing Gambar 4.3, 4.4, dan 4.5 adalah area yang tidak dipakai pada proses ekstraksi. Listbox pada masing-masing Gambar menampilkan dimensi dari citra asli dan dimensi citra ROI.
Tabel 4.1 Tabel Pengujian ROI
Hasil pengujian yang dilakukan mendapatkan hasil seperti Tabel 4.1 dimana masing-masing sampel yang diujikan dan sudah memenuhi target. Penentuan target seperti yang dijelaskan pada BAB III bahwa proses cropping
atau ROI berbentuk bujur sangkar, jadi apabila dimensi citra tinggi lebih panjang daripada lebar makatinggi dan lebar citra akan disamakan dengan tinggi begitu juga sebaliknya. Pada Tabel 4.1 pada kolom “Dimensi Asli” tulisan yang berwarna merah adalah panjang tinggi dan lebar target ROI.
4.1.2 Pengujian Resize Citra
A. Tujuan
Pengujian dimaksudkan untuk mengetahui apakah citra dari ROI yang
di-Resizesesuai dengan standar yang telah ditentukan. B. Prosedur Pengujian
1. Jalankan Project di visual basic 6.0. 2. Jalankan software Pixilion.exe.
3. Kemudian open direktori untuk load gambar dari pixilion yang akan diuji.
4. Kemudian pada pixilion klik Effectuntuk mengatur height dan width
citra untuk dikonversi menjadi 64 x 64 piksel. Lalu klik Convert. 5. Setelah itu jalankan projectvisual basic (.vbp).
6. Klik tombol Load dan pilih citra sampel yang akan diuji, klik tombol
Entry.
C. Hasil Pengujian
Tabel 4.2 Hasil Pengujian Resize Pixilion Dan Aplikasi Yang Dibuat Citra Hasil ROI Target Resize 64 x 64
(Diperoleh Dari Pixlion)
Hasil Resize 64 x 64 (Dengan Aplikasi)
Hasil pengujian menunjukkan kesamaan antara resize yang dihasilkan
4.1.3 Pengujian Metode Shadow Feature Extraction
A. Tujuan
Pengujian metode shadow feature dilakukan pada 3 sampel untuk mengetahui apakah hasil ekstraksi yang dilakukan oleh perangkat lunak telah sesuai.
B. Prosedur Pengujian
1. RunsoftwareMatlab 7.0 (user/manual).
2. Kemudian buat project baru dan tuliskan syntax sebagai berikut: clc
I=imread('E:\1 Tugas Akhir\1. Coding TA\citra
sampel\Angka390.bmp');
level = graythresh(I); BW = im2bw(I,level); imshow(BW);
3. Syntax tersebut berfungsi untuk mengubah citra menjadi bit biner 0 dan 1 yang akan di tampilkan pada array editor, Hasil dari Run Program ada pada array editor lihat lampiran.
4. Pindahkan Data citra pada array editor ke Microsoft Excel kemudian dilakukan ekstraksi bayangan secara manual.
5. Jalankan Shadow Feature.exe.
6. Kemudian klik tombol Load, tombol akan mengarahkan ke directory. Kemudian dipilih citra untuk pengujiannya, lalu klik tombol 64 x 64. 7. Klik tombol Show Value untuk menampilkan hasil fitur bayangan yang
dari aplikasi.
C. Pembahasan
Citra yang dipakaiuntuk pengujian adalah sampel citra pelatihan
“Angka390.bmp”, “Angka1.bmp”, “Angka3.bmp” seperti pada Gambar 4.6. Bentuk dari sampel citra setelah diproses berwarna merah muda, fitur bayangan masing-masing area pada Excel di tandai dengan cell berwarna biru, tiap-tiap area diberi label area, kemudian anak panah untuk perhitungan fitur bayangan pada sisi diagonal masing-masing area.
Gambar 4.6 Sampel Citra ke 390, 1, dan 3
Gambar 4.8 EkstraksiFitur Sampel 390 Menggunakan Aplikasi
Tabel 4.3 Hasil Ekstraksi Citra Sampel 390
Sisi Percobaan Secara Manual Percobaan Menggunakan Aplikasi 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8
Samping 18 18 17 18 15 21 21 14 18 18 17 18 15 21 21 14 Alas 11 18 18 11 21 9 8 21 11 18 18 11 21 9 8 21 Diagonal 8 7 7 7 8 11 11 9 8 7 7 7 8 11 11 9
Penghitungan fitur bayangan secara manual dan aplikasi sampel citra ke-1 diperlihatkan Gambar 4.7 dan Gambar 4.8 Hasil pengujian ekstraksi fitur secara manual dan menggunakan aplikasi dijelaskan pada Tabel 4.3. Dalam pengujian perhitungan panjang fitur secara manual maupun perhitungan yang dilakukan aplikasi menunjukkan hasil yang sama (Match).
Samping
Alas
Gambar 4.9 Ekstraksi Fitur Sampel 1 Secara Manual
Tabel 4.4 Hasil Ekstraksi Citra Sampel 1
Sisi Percobaan Secara Manual Percobaan Menggunakan Aplikasi 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8
Samping 21 23 25 24 25 25 15 23 21 23 25 24 25 25 15 23 Alas 11 25 24 12 10 12 6 6 11 25 24 12 10 12 6 6 Diagonal 15 17 20 20 20 23 10 14 15 17 20 20 21 23 11 14
Penghitungan fitur bayangan secara manual dan aplikasi sampel citra ke-1 diperlihatkanGambar 4.9 dan Gambar 4.10Hasil pengujian ekstraksi fitur secara manual dan menggunakan aplikasi dijelaskan pada Tabel 4.4. dalam pengujian keduanya area 5 dan 7 pengujian aplikasi sisi diagonalberbeda 1 piksel lebih panjangdari hasil pengujian manual.
Gambar 4.12 Ekstraksi Fitur Sampel 2 Menggunakan Aplikasi
Tabel 4.5Hasil Ekstraksi Citra Sampel 3
Sisi Percobaan Secara Manual Percobaan Menggunakan Aplikasi 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8
Samping 25 20 27 22 24 18 12 30 25 20 27 22 25 18 12 30 Alas 10 24 18 13 18 13 14 13 10 24 18 14 18 14 14 13 Diagonal 20 14 20 20 11 18 16 19 20 14 20 19 11 18 15 19
Penghitungan fitur bayangan secara manual dan aplikasi sampel citra ke-3 diperlihatkan Gambar 4.11 dan Gambar 4.12. Hasil pengujian ekstraksi fitur secara manual dan menggunakan aplikasi dijelaskan pada Tabel 4.5. Analisa pengujian dijelaskan dalam poin-poin berikut:
1. Area 5 sisi samping hasil dari pengujian manual dan pengujian dengan aplikasi berbeda 1 piksel lebih panjang hasil ekstraksi menggunakan aplikasi.
3. Kemudian area 4 dan 7 pada sisi diagonal masing-masing berbeda 1 piksel lebih pendek dari pengujian secara manual.
4.2 Pengujian Pengenalan Sampel Training
A. Tujuan
Pengujian data sampel traininga dalah pengujian yang dilakukan untuk mengetahui apakah sampel training sebanyak 1000 sampel yang telah dilatihkan kepada perangkat lunak dapat dikenali.
B. Prosedur Pengujian
1. Run program Shadow Feature.exe (user/manual).
2. Kemudian klik tombol Run Sample, tombol akan mengaktifkan load citra sampel sekaligus menguji data yang di load.
3. Tunggu sampai proses load data berhenti, Proses pengujian data sampel cukup dilakukan sekali, hasil pengenalan disimpan ke microsoft excel
dengan nama file “training.csv”. C. Hasil Pengujian
Tabel 4.6 Persentase Keberhasilan Pengenalan Pada Sampel Training
Angka
D. Pembahasan
Berdasrkan data Tabel 4.6 yang didapat dari pengujian pengenalan sampel
training masing-masing sampel angka (0 – 9) sebanyak 100 set data, mempunyai persentase keberhasilan pengenalan sebesar 99,90% seperti pada Gambar 4.13.
Gambar 4.13 Grafik Persentase Keberhasilan Sampel Training
Kesalahan identifikasi terjadi pada sampel no. 407 angka 7 (Jawa) oleh perangkat lunak dikenali sebagai angka 8 (Jawa). Berikut pada Gambar 4.14 adalah sampel training tersebut dan Gambar 4.15 adalah uji coba sampel training
407 pada perangkat lunak.
Gambar 4.15 Uji Coba Terhadap Sampel Training 407
4.3 Pengujian Pengenalan Sampel Testing
A. Tujuan
Pengujian pengenalan sampel testing dilakukan untuk mengetahui apakah sampel yang didapatkan dari partisipan sebanyak 50 set dapat dikenali perangkat. Data tersebut belum pernah dilatihkan terhadap perangkat lunak.
B. Prosedur Pengujian
1. Run program Shadow Feature.exe (user/manual).
2. Kemudian klik tombol Run Sample, tombol akan mengaktifkan load citra
testing sekaligus menguji data yang di load.
3. Tunggu sampai proses load data berhenti, Proses pengujian data sampel cukup dilakukan sekali, hasil pengenalan disimpan ke microsoft excel dengan nama file “testing.csv”.
Hasil uji coba Sampel Sampel
C. Hasil Pengujian
Tabel 4.7 Persentase Keberhasilan Pengenalan Pada Sampel Testing
Angka
Gambar 4.16 Grafik Keberhasilan Pengenalan Sampel Testing
Kesalahan pengenalan pada “angka 6” adalah yang paling banyak dengan persentase error sebesar 36%, dan “angka 5” sebesar 20% dari 50 set sampel data seperti pada Gambar 4.17.
Pada Tabel 4.8 berikut adalah analisa kesalahan pengenalan karakter angka Jawadan jumlah kesalahan pengenalan masing-masing karakter terhadap karakter angka lain.
Tabel 4.8 Analisa Kesalahan PengenalanPada Tiap Karakter
Angka Dikenali Sebagai Angka Presentase
Error
Meskipun dalam pengelihatan manusia beberapa angka Jawa secara visual
tampak ada kemiripan pola satu dengan yang lain, akan tetapi proses ekstraksi ciri yang menggunakan metode shadow feature memiliki sudut pandang sendiri dalam mengenali ciri atau pola karakter angka Jawa. Misalkan pada “angka 6” yang
dikenali sebagai “angka 4” sebanyak 11 kali dan “angka 0” sebanyak 7 kali.
Pengaruh kesalahan pengenalan pada “angka 6” maupun terhadap angka -angka Jawa yang lain disebabkan 2 faktor diantaranya adalah:
1. Hasil dari pengenalan ciri metode shadow feature extractionmenghasilkan nilai fitur yang sama.
52
Berdasarkan hasil pengujian pada perangkat lunak yang dipergunakan dalam Pengambilan Fitur Menggunakan shadow feature extraction, maka dapat diambil beberapa kesimpulan dan saran sebagai berikut.
5.1. Kesimpulan
Berdasarkan masalah yang telah dirumuskan sebelumnya dapat diambil kesimpulan sebagai berikut:
1. Ekstraksi fitur yang dilakukan pada citra tulisan tangan angka Jawa menggunakan cara scanning, bertujuan untuk membaca nilai-nilai piksel citra pada media input yang sudah melalui proses region of interest (ROI) dan
resize.
2. Data yang sudah didapat dari ekstraksi shadow feature dilatihkan terlebih dahulu ke multi layer perceptron (MLP) hingga mendapatkan bobot yang optimal agar nantinya MLP dapat mengklasifikasikan tulisan tangan angka Jawa dengan benar.
3. Hasil pengenalan dari sampel yang belum pernah dilatihkan (sampel testing) rata-rata persentase keberhasilan pengenalan cukup tinggi yaitu sebesar 90,8% sedangkan error pengenalan hanya sebesar 9,2%.
5.2 Saran
1. Sebaiknya ditambahkan ekstraksi fitur yang lain agar didapatkan hasil pengenalan karakter yang lebih optimal.
54
Basu, S., dkk., 2005, Handwritten ‘Bangla’ Alphabet Recognition using an MLP Based Classifier, Proceeding of the 2nd National Conference on Computer Processing of Bangla, hal. 285 – 291. Dhaka.
Basu, S., dkk., 2005, An MLP Based Approach for Recognition of Handwritten
‘Bangla’ Numerals, Proceeding 2nd
Indian International Conference on Artificial Intelligence, hal. 407 – 417. Pune.
Chaudhuri, B.B. dan Bhattacharya, U., 2000, Efficient Training and Improved Performance of Multilayer Perceptron in Pattern Classification,
Neurocomputing, vol. 34, hal. 11-27.
Darusuprapta, dkk., 2002, Pedoman Penulisan Aksara Jawa, Yayasan Pustaka Nusatama, Yogyakarta.
Das, N., dkk., 2006, Handwritten Arabic Numeral Recognition using a Multi layerPerceptron, Proceeding National Conference on Recent Trends in Information Systems, hal. 200 – 203.
Das, N., dkk., 2010, Handwritten Bangla Basic and Compound Character Recognition Using MLP and SVM, Journal of Computing, Vol. 2, No. 2, hal. 109 – 115.
Fiset, R., dkk., 1998, Map-Image Matching Using a Multi-Layerperceptron: The Case of the Road Network, ISPRS Journal of Photogrammetry and Remote Sensing, vol. 53, hal. 76-84.
Ham, F.M. dan Kostanic, I., 2001, Principles of Neurocomputing for Science & Engineering. McGraw-Hill, New York.
Hasibuan, F.M., 2011, Desain dan Implementasi Sistem Penerjemah Aksara Jawa Ke Huruf Latin Berbasis Pengolahan Citra Digital dan Jaringan Syaraf Tiruan
Self-Organizing Map (SOM), Tugas Akhir Mahasiswa Institut Teknologi Telkom.
Kiong, L.V., 2006, Visual Basic 6 Made Easy, ISBN: 141962895X, 2006
Mukherjee, S., 2010, Recognition of Handwritten Bengali Character Based On Character Features, (M.Tech IT Thesis), Jadavpur University, Kolkata, India.
McCulloch, W.S. dan Pitts, W., 1943, A Logical Calculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysis, vol 5: hal. 115-133.
Nurtanio, Inggrid, Astuti, E. R., Purnama, I. K. E., Hariadi, M., Purnomo, M. H.,
Classifying Cyst and Tumor Lesion Using Support Vector Machine Based on
Dental Panoramic Images Texture Features, IAENG International Journal of Computer Science, vol. 40, no. 1, Feb. 2013.
Rumelhart, D.E. dkk., 1986, Learning Representations by Back-Propagating Errors. Nature, vol. 323: hal. 533-536.
Wibowo, M.C. dan Wirakusuma, S., 2013, Pengenalan Pola Tulisan Tangan
Aksara Jawa “Ha Na Ca Ra Ka” Menggunakan Multi Layer Perceptron, Prosiding Seminar Nasional Teknologi Informasi (SNASTI) 2013, Oktober 2013, Surabaya, hal. ICCS-27 – ICCS-32
Zhang, Z. dkk., 1998, Comparison Between Geometry-Based and Gabor-Wavelets-Based Facial Expression Recognition Using Multi-Layer Perceptron.
Automatic Face and Gesture Recognition. Third IEEE International
Conference. Naara
Trier O.D., Anil K.J., dan Torfinn,T. ,” Feature Extraction methods for Character
