Pengenalan Tulisan Tangan Menggunakan Ekstraksi Ciri Wavelet Transform dari Projection Profile - Handwriting Recognition Using Wavelet Transform of Projection Profile Feature Extraction.

(1)

i

Universitas Kristen Maranatha

PENGENALAN TULISAN TANGAN

MENGGUNAKAN EKSTRAKSI CIRI WAVELET TRANSFORM

DARI PROJECTION PROFILE

Radian Rizki Triadhi

NRP : 1222033

E-mail : radianrizkitriadhi@ymail.com

ABSTRAK

Pengenalan tulisan tangan dipengaruhi oleh fitur ekstraksi, fitur seleksi, dan klasifikasi. Pada tugas akhir ini akan fokus pada fitur ekstraksi.

Wavelet transform dari projection profile merupakan salah satu metode ekstraksi ciri. Metode ekstraksi ciri projection profile yaitu mencari nilai density dari sebuah matriks citra secara vertical projection (per kolom) dan horizontal projection (per baris), sedangkan wavelet transform yaitu mendekomposisi sebuah citra satu dimensi untuk mendapatkan sebuah koefisien dari sebuah citra.

Pada tugas akhir ini diimplementasikan metode ekstraksi ciri wavelet transform dari projection profile untuk dapat mengenali tulisan tangan huruf kapital. Langkah pertama; citra akan dilakukan binerisasi, inversi, segmentasi, cropping, dan resize, langkah kedua; citra diekstraksi ciri menggunakan projection profile secara vertical projection dan horizontal projection, langkah ketiga; vertical projection dan horizontal projection didekomposisi dua level menggunakan filter db2, db6, sym4, sym6, coif1, dan coif2 sehingga akan didapatkan coefficient approximation dan detail vertical level 2, coefficient approximation dan detail horizontal level 2, langkah keempat; coefficient tersebut menjadi input Multi Layer Perceptron untuk training, langkah kelima; testing menggunakan MLP.

Didapatkan hasil akurasi pengenalan sebesar 84.22% dengan akurasi tertinggi menggunakan filter coif2 sebesar 85.13 %.

(2)

ii

HANDWRITING RECOGNITION

USING WAVELET TRANSFORM

OF PROJECTION PROFILE FEATURE EXTRACTION

Radian Rizki Triadhi

NRP : 1222033

E-mail : radianrizkitriadhi@ymail.com

ABSTRACT

Handwriting recognition influenced by feature extraction, feature selection, and classification. This final project focus on feature extraction.

Wavelet transform from projection profile is one of feature extraction method. Projection profile is calculate density value of matrix image in vertical projection (by coloumn) and horizontal projection (by row), and wavelet transform is decomposition an one dimension image to get a coefficient.

In this final project, implemented wavelet transform from projection profile for recognition handwriting capital letters. The first step ; binary, invers, segmentation, cropping, and resize image, the second step ; calculate density of vertical projection and horizontal projection, the third step ; decomposition vertical projection and horizontal projection two level using filter db2, db6, sym4, sym6, coif1, and coif2 so that will obtained coefficient approximation and detail vertical level 2 and coefficient approximation and detail horizontal level 2, the fourth step ; the coefficient will be the input of multi layer perceptron to training, and the fifth step ; testing using MLP.

Obtained the results of recognition accuracy amounted 84.22% with highest accuracy using filters coif2 amounted 85.13%.

(3)

v

DAFTAR ISI

LEMBAR PENGESAHAN SURAT PERNYATAAN

PERNYATAAN PERSETUJUAN PUBLIKASI LAPORAN TUGAS AKHIR

ABSTRAK ... i

ABSTRACT ... ii

KATA PENGANTAR ... iii

DAFTAR ISI ... v

DAFTAR GAMBAR ... viii

DAFTAR TABEL ... xii

DAFTAR LAMPIRAN ... xiii

BAB I PENDAHULUAN ... 1

I.1 Latar Belakang ... 1

I.2 Rumusan Masalah ... 2

I.3 Tujuan ... 2

I.4 Batasan Masalah ... 2

I.5 Sistematika Penulisan ... 3

BAB II LANDASAN TEORI ... 4

II.1 Citra[8] ... 4

II.1.1 Jenis Citra Digital[7]_{... 4}

II.2 Pengolahan Citra ... 5

II.2.1 Operasi Pengolahan Citra ... 5

II.3 Pengenalan Pola[8] ... 6

(4)

vi

II.3.2 Metode Ekstraksi Ciri Wavelet Transform[4] ... 7

II.4 Jaringan Syaraf Tiruan (JST)[10] ... 14

II.4.1 Neuron ... 15

II.4.2 Dasar Jaringan Syaraf Tiruan ... 15

II.4.3 Arsitektur Jaringan Syaraf tiruan... 16

II.4.4 Pelatihan (Training) ... 17

II.4.5 Fungsi Aktivasi ... 18

II.4.6 Metode Propagasi Balik (Backpropagation) ... 19

II.5 Segmentasi Bounding Box-8 Connected Component[1][12]... 22

BAB III PERANCANGAN SISTEM ... 24

III.1 Perancangan Sistem ... 24

III.1.1 Input Citra ... 25

III.1.2 Binerisasi Citra ... 25

III.1.3 Inversi Citra ... 25

III.1.4 Segmentasi Citra, Cropping, Resize... 26

III.1.5 Ekstraksi Ciri Projection Profile ... 26

III.1.6 Ekstraksi Ciri Wavelet Transform ... 26

III.2 Klasifikasi Huruf dengan Jaringan Syaraf Tiruan ... 34

III.2.1 Database ... 35

III.2.2 Data Uji ... 35

III.2.3 Pelatihan (Training) ... 35

III.2.4 Pengujian (Testing) ... 37

III.3 Perancangan GUI Matlab ... 38

BAB IV DATA PENGAMATAN DAN ANALISIS ... 40

IV.1 Data Pengamatan ... 40

(5)

vii

IV.1.2 Hasil Binerisasi Citra ... 44

IV.1.3 Hasil Inversi Citra ... 44

IV.1.4 Hasil Segmentasi, Cropping, dan Resize ... 44

IV.1.5 Hasil Ekstraksi Ciri Projection Profile ... 45

IV.1.6 Hasil Ekstraksi Ciri Wavelet Transform ... 46

IV.1.7 Database Dalam File Excel ... 55

IV.1.8 Data uji Dalam File Excel ... 56

IV.1.7 Hasil Pelatihan (Training) ... 56

IV.1.8 Karakteristik Huruf X dengan Filter coif2 ... 58

IV.1.9 Karakteristik Huruf Y dengan Filter coif2 ... 59

IV.1.10 Huruf X yang Dikenali Sebagai Huruf V dengan Filter coif2 ... 60

IV.1.11 Hasil Pengujian (Testing) ... 61

IV.1.12 Akurasi Pengenalan ... 61

IV.2 Analisis ... 67

IV.2.1 Analisis Hasil Pelatihan (Training) ... 67

IV.2.2 Analisis Huruf X Filter Coif2 ... 67

IV.2.3 Analisis Akurasi Pengenalan ... 67

BAB V SIMPULAN DAN SARAN ... 68

V.1 Simpulan ... 68

V.2 Saran ... 68

(6)

viii

DAFTAR GAMBAR

Gambar II.1 Projection Profile Huruf A ... 7

Gambar II.2 Ruang/Space V ... 8

Gambar II.3 Bentuk Scaling Function dengan Berbagai Nilai j dan k... 9

Gambar II.4 Contoh Representasi Sebuah Fungsi dengan HAAR Scaling Function ... 10

Gambar II.5 The Nested Function Spaces Spanned by a Scaling Function ... 10

Gambar II.6 Hubungan Antara Scaling dan Wavelet Function Spaces ... 11

Gambar II.7 Bentuk Wavelet Function dengan Berbagai Nilai j dan k ... 12

Gambar II.8 Fast Wavelet Transform ... 14

Gambar II.9 Arsitektur Neuron Pada JST ... 15

Gambar II.10 Single Layer Network ... 16

Gambar II.11 Multi Layer Network ... 17

Gambar II.12 Contoh Arsitektur Backpropagation ... 21

Gambar II.13 Proses Segmentasi dengan Bounding Box 8 Connected Component (1) ... 22

Gambar III.1 Flowchart Utama ... 24

Gambar III.2 Pen Tablet Intuos Pro Wacom (Small) ... 25

Gambar III.3 Tampilan Ms Paint ... 25

Gambar III.4 Lowpass Filter db2 ... 27

Gambar III.5 Highpass Filter db2 ... 27

Gambar III.6 Lowpass Filter db6 ... 29

Gambar III.7 Highpass Filter db6 ... 29

Gambar III.8 Lowpass Filter sym4... 30

Gambar III.9 Highpass Filter sym4 ... 30

(7)

ix

Gambar III.11 Highpass Filter sym6 ... 31

Gambar III.12 Lowpass Filter coif1 ... 32

Gambar III.13 Highpass Filter coif1 ... 32

Gambar III.14 Lowpass Filter coif2 ... 33

Gambar III.15 Highpass Filter coif2 ... 33

Gambar III.16 Flowchart Training ... 34

Gambar III.17 Flowchart Testing ... 34

Gambar III.18 Arsitektur Jaringan Syaraf Tiruan Pengenalan Tulisan Tangan Menggunakan Ekstraksi Ciri Wavelet Transfrom dari Projection Profile ... 36

Gambar III.19 Tampilan GUI Matlab ... 38

Gambar IV.1 Contoh Citra yang di Input Menggunakan Pen Tablet Intuos Pro Wacom ... 40

Gambar IV.2 Contoh Tulisan Huruf B,G,J, dan P Set I ... 41

Gambar IV.3 Contoh Tulisan Huruf B,G,J, dan P Set II ... 41

Gambar IV.4 Contoh Tulisan Huruf B,G,J, dan P Set III ... 41

Gambar IV.5 Contoh Tulisan Huruf B,G,J, dan P Set IV ... 42

Gambar IV.6 Contoh Tulisan Huruf B,G,J, dan P Set V ... 42

Gambar IV.7 Contoh Tulisan Huruf B,G,J, dan P Set VI ... 42

Gambar IV.8 Contoh Tulisan Huruf B,G,J, dan P Set VII ... 43

Gambar IV.9 Contoh Tulisan Huruf B,G,J, dan P Set VIII ... 43

Gambar IV.10 Contoh Tulisan Huruf B,G,J, dan P Set IX ... 43

Gambar IV.11 Citra Hasil Binerisasi ... 44

Gambar IV.12 Citra Hasil Inversi Gambar IV.11 ... 44

Gambar IV.13 Citra Hasil Segmentasi, Cropping, dan Resize Gambar IV.12 ... 44

Gambar IV.14 Citra Hasil Preprocessing Huruf A ... 44

Gambar IV.15 Vertical Projection Huruf A Pada Gambar IV.14 ... 45

Gambar IV.16 Horizontal Projection Huruf A Pada Gambar IV.14 ... 45

Gambar IV.17 Hasil Konvolusi Vertical Projection Profile Gambar IV.15 dengan Lowpass Filter db2 ... 46

(8)

x

Universitas Kristen Maranatha Gambar IV.19 Hasil Konvolusi Coefficient Approximation Vertical Level 1 Gambar

IV.18 dengan Lowpass Filter db2 ... 47

Gambar IV.20 Coefficient Approximation Vertical Level 2 Hasil Downsampling 2n Gambar IV.19 ... 47

Gambar IV.21 Hasil Konvolusi Coefficient Approximation Vertical Level 1 Gambar IV.18 dengan Highpass Filter db2 ... 48

Gambar IV.22 Coefficient Detail Vertical Level 2 Hasil Downsampling 2n Gambar IV.21 ... 48

Gambar IV.23 Hasil Konvolusi Horizontal Projection Gambar IV.16 dengan Lowpass Filter db2 ... 49

Gambar IV.24 Coefficient Approximation Horizontal Level 1 Hasil Downsampling 2n Gambar IV.23 ... 49

Gambar IV.25 Hasil Konvolusi Coefficient Approximation Horizontal Level 1 Gambar IV.24 dengan Lowpass Filter db2 ... 50

Gambar IV.26 Coefficient Approximation Horizontal Level 2 Hasil Downsampling 2n Gambar IV.25 ... 50

Gambar IV.27 Hasil Konvolusi Coefficient Approximation Horizontal Level 1 Gambar IV.24 dengan Highpass Filter db2 ... 51

Gambar IV.28 Coefficient Detail Horizontal Level 2 Hasil Downsampling 2n Gambar IV.27 ... 51

Gambar IV.29 Coefficient Hasil Dekomposisi 2 Level Huruf A Gambar IV.14 dengan Filter db2 ... 52

Gambar IV.30 Scaling Coefficient Filter db2Huruf A Gambar IV.14 ... 52

Gambar IV.31 Scaling Coefficient Filter db6 ... 53

Gambar IV.32 Scaling Coefficient Filter sym4 ... 53

Gambar IV.33 Scaling Coefficient Filter sym6 ... 54

Gambar IV.34 Scaling Coefficient Filter coif1 ... 54

Gambar IV.35 Scaling Coefficient Filter coif2 ... 55

Gambar IV.36 Database Dalam File Excel ... 55

Gambar IV.37 Data Uji Dalam File Excel ... 56

(9)

xi

Universitas Kristen Maranatha Gambar IV.39 Salah Satu Contoh Karakterisitik Huruf X Set III dengan Filter coif2

... 58

Gambar IV.40 Salah Satu Contoh Karakterisitik Huruf X Set IV dengan Filter coif2 ... 58

Gambar IV.41 Salah Satu Contoh Karakterisitik Huruf X Set V dengan Filter coif2 ... 59

Gambar IV.42 Salah Satu Contoh Karakterisitik Huruf Y Set II dengan Filter coif2 ... 59

Gambar IV.43 Salah Satu Contoh Karakterisitik Huruf Y Set III dengan Filter coif2 ... 59

Gambar IV.44 Salah Satu Contoh Karakterisitik Huruf Y Set IV dengan Filter coif2 ... 60

Gambar IV.45 Salah Satu Contoh Karakterisitik Huruf Y Set V dengan Filter coif2 ... 60

Gambar IV.46 Contoh Karakterisitik Huruf X yang Dikenali Sebagai Huruf V dengan Filter coif2 ... 60

Gambar IV.49 Akurasi Pengenalan Filter db2 ... 62

Gambar IV.50 Akurasi Pengenalan Filter db6 ... 63

Gambar IV.51 Akurasi Pengenalan Filter sym4 ... 63

Gambar IV.52 Akurasi Pengenalan Filter sym6 ... 64

Gambar IV.53 Akurasi Pengenalan Filter coif1 ... 64

(10)

xii

DAFTAR TABEL

Tabel III.1 Tabel Beberapa Pelatihan dengan Fungsi Aktivasi dan Jumlah Database

berbeda-beda ... 35

Tabel III.2 Tabel Target Pelatihan ... 37

Tabel III.3 Tabel Komponen GUI Matlab ... 39

Tabel IV.1 Tabel Hasil Pelatihan JST Ke-1 ... 56

Tabel IV.6 Tabel Akurasi Pengenalan ... 62

Tabel IV.7 Tabel Rata-Rata Akurasi Pengenalan Filter... 65

(11)

xiii

DAFTAR LAMPIRAN

(12)

1

BAB I

PENDAHULUAN

Pada bab ini menjelaskan mengenai latar belakang, rumusan masalah, tujuan, batasan masalah, dan sistematika penulisan.

I.1 Latar Belakang

Dalam pengenalan tulisan pemilihan cara input yang tepat dapat mempengaruhi akurasi pengenalan tulisan. Adapun beberapa cara input tulisan adalah menggunakan scanner, kamera, pen tablet dll. Pada tugas akhir ini akan menggunakan pen tablet karena memilki keunggulan yaitu tidak adanya noise yang dihasilkan seperti salt dan pepper noise yang salah satunya disebabkan oleh debu yang masuk kedalam scanner.

Selain menentukan cara input objek tulisan, menentukan metode ekstraksi ciri yang tepat merupakan salah satu langkah penting dalam pengenalan tulisan, dalam pengolahan citra digital telah diperkenalkan beberapa metode ekstraksi ciri seperti : zoning, projection profile, method of moments, structural features, wavelet transform, fourier transform, fractal encoding dll.

Pada paper[5] karya Raju G dkk memaparkan hasil penelitian mengenai identifikasi tulisan “Malayalam” dengan menggunakan ekstraksi ciri wavelet transform dari projection profile. Didapatkan hasil yang cukup baik dengan

rata-rata akurasi pengenalan sebesar 76,84% (rata-rata-rata-rata keakurata-ratan tertinggi menggunakan filter symmlet sebesar 78,26%). Alasan digunakannya ekstraksi ciri projection profile adalah kemudahan dalam implementasi, tetapi kekurangannya

yaitu memiliki fitur vektor yang cukup besar, dan alasan digunakannya ekstraksi ciri wavelet transform adalah dapat mengekstrak ciri sebuah citra dengan detail dan menghasilkan fitur vektor yang cukup kecil. Sehingga, digunakan ekstraksi ciri wavelet transform dari projection profile untuk mendapatkan kelebihan dari

masing-masing ekstraksi ciri tersebut.

(13)

2

Universitas Kristen Maranatha latin kapital, dengan harapan dapat menghasilkan tingkat akurasi pengenalan yang lebih tinggi dibandingnkan dengan hasil pada paper karya Raju G dkk.

I.2 Rumusan Masalah

Rumusan masalah dalam tugas akhir ini adalah sebagai berikut :

1. Bagaimana cara pengenalan tulisan tangan dengan metode ekstraksi ciri wavelet transform dari projection profile ?

2. Bagaimana tingkat akurasi metode ekstraksi ciri wavelet transform dari projection profile yang digunakan untuk pengenalan tulisan tangan ?

I.3 Tujuan

Tujuan dalam tugas akhir ini adalah sebagai berikut :

1. Dapat mengimplementasikan metode ekstraksi ciri wavelet transform dari projection profile untuk pengenalan tulisan tangan.

2. Dapat mengetahui tingkat akurasi metode ekstraksi ciri wavelet transform dari projection profile yang digunakan untuk pengenalan tulisan tangan.

I.4 Batasan Masalah

Batasan masalah dalam tugas akhir ini adalah sebagai berikut : 1. Input tulisan tangan menggunakan pen tablet Intuos Pro Wacom (small). 2. Pengujian dilakukan pada tulisan dari sembilan orang.

3. Huruf yang di input kan no slope (kemiringan terhadap sumbu x) dan no slant (kemiringan terhadap sumbu y).

4. Input menggunakan huruf latin kapital A s/d Z. 5. Jumlah maksimal satu kali input sebanyak lima huruf. 6. Tulisan antar huruf mempunyai jarak atau spasi. 7. Citra hasil segmentasi di resize menjadi 50 x 40 pixel. 8. Direalisasikan dengan program MATLAB R2012a.

9. Menggunakan ekstraksi ciri fast wavelet transform (FWT) dan filter db2, db6, sym4, sym6, coif1, dan coif2.

(14)

3

Universitas Kristen Maranatha I.5 Sistematika Penulisan

Dalam laporan tugas akhir ini dibagi menjadi lima bab utama, referensi dan lampiran sebagai pendukung laporan tugas akhir ini. Berikut pembahasan masing-masing bab sebagai berikut :

BAB I : PENDAHULUAN

Pada bab ini menjelaskan mengenali latar belakang, rumusan masalah, tujuan, batasan masalah, dan sistematika penulisan.

BAB II : LANDASAN TEORI

Pada bab ini menjelaskan mengenai teori-teori penunjang tugas akhir. Adapun teori penunjang tersebut meliputi: citra, pengolahan citra, pengenalan pola, jaringan syaraf tiruan, dan segmentasi bounding box-8 connected component.

BAB III : PERANCANGAN SISTEM

Pada bab ini menjelaskan mengenai perancangan sistem pengenalan tulisan tangan meliputi perancangan sistem, klasifikasi huruf dengan jaringan syaraf tiruan, dan GUI Matlab.

BAB IV : DATA PENGAMATAN DAN ANALISIS

Pada bab ini menjelaskan data pengamatan dan analisis mengenai pengenalan tulisan tangan menggunakan wavelet transform dari projection profile.

BAB V : SIMPULAN DAN SARAN

(15)

68

BAB V

SIMPULAN DAN SARAN

V.1 Simpulan

1. Metode ekstraksi ciri wavelet transform pada projection profile telah berhasil diimplemantasikan untuk pengenalan tulisan tangan.

2. Tingkat akurasi rata-rata pengenalan tulisan tangan dengan metode ekstraksi ciri wavelet transform pada projection profile menggunakan filter db2, db6, sym4, sym6, coif1, dan coif2 sebesar 84.22%. Akurasi tertinggi menggunakan

filter coif2 sebesar 85.13%.

V.2 Saran

Implementasi metode ekstraksi ciri wavelet transform dari projection profile untuk pengenalan tulisan tangan huruf latin kapital A sampai dengan Z

(16)

PENGENALAN TULISAN TANGAN

MENGGUNAKAN EKTRAKSI CIRI

WAVELET TRANSFORM

DARI

PROJECTION PROFILE

HANDWRITING RECOGNITION

USING WAVELET TRANSFORM

OF PROJECTION PROFILE FEATURE EXTRACTION

LAPORAN TUGAS AKHIR

Diajukan untuk memenuhi persyaratan Sarjana Strata Satu (S-1) Program Studi Teknik Elektro

Fakultas Teknik

Disusun Oleh:

RADIAN RIZKI TRIADHI

1222033

Pembimbing:

NOVIE THERESIA BR.PASARIBU.,S.T.,M.T.

PROGRAM STUDI TEKNIK ELEKTRO

FAKULTAS TEKNIK

UNIVERSITAS KRISTEN MARANATHA

BANDUNG

(17)

iii

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada ALLAH SWT, karena atas izin dan rahmat-Nya penulis dapat menyelesaikan laporan tugas akhir yang berjudul Pengenalan Tulisan Tangan Menggunakan Ekstraksi Ciri Wavelet Transform

dari Projection Profile untuk memenuhi persyaratan kelulusan Program Studi

Sarjana Strata Satu (S1) Program Studi Teknik Elekro , Fakultas Teknik, Universitas Kristen Maranatha, Bandung.

Telah terselesaikannya laporan tugas akhir ini tidak lepas dari bantuan, motivasi, bimbingan, dan doa dari semua pihak baik secara langsung maupun tidak langsung. Penulis ingin menyapaikan ucapan terimakasih kepada :

1. ALLAH SWT yang telah memberikan rahmat-Nya karena telah memberikan pencerahan dan kelancaran dalam setiap penyelesaian tugas akhir ini.

2. Papah (Dadang koswara) dan Mamah (Yunitawati) yang selama ini telah memberikan motivasi, dorongan, dan doa yang tiada henti-hentinya kepada penulis.

3. Kedua kakak Rezha Rizki Sutransah dan Redinal Rizki Yudasawara yang memberikan dukungan kepada penulis.

4. Bapak Ir. Aan Darmawan, M.T. selaku Dekan Fakultas Teknik Univeristas Kristen Maranatha.

5. Ibu Novie Theresia Br.P.,S.T.,M.T. selaku Ketua Program Studi Teknik Elektro Univeristas Kristen Maranatha sekaligus Dosen Pembimbing, yang selama ini selalu memeberikan kritik, saran, dan motivasinya.

6. Ibu Yohana Susanthi, M.Sc., selaku Koordinator Tugas Akhir Program Studi Teknik Elektro Univeristas Kristen Maranatha.

7. Bapak Dr. Roy Pramono Adhie, S.T., M.T. , Ibu Dr. Ratnadewi, S.T., M.T., dan Bapak Jimmy Hasugian, S.T., M.T. selaku dosen penguji yang telah memberikan kritik dan saran dalam tugas akhir ini.

(18)

iv

Universitas Kristen Maranatha 9. Seluruh Staf Tata Usaha dan karyawan di lingkungan Program Studi Teknik

Elektro Univeristas Kristen Maranatha.

10.Rekan – rekan yang telah membantu dalam pembuatan database. 11.Cindy , Redina , Robby , dan Najib sahabat yang selalu medukung.

12.Selviana, Marini, Mella, Aru, Tedi, Gilang, Dea, Fachra, Fikry sahabat yang selalu mendukung.

13.Serta semua pihak yang tidak dapat disebutkan satu per satu yang telah membantu baik secara langsung maupun tidak langsung.

Akhir kata, penyusun berharap Tugas Akhir ini dapat memberikan sumbangan nyata bagi kemajuan Teknik Elektro pada khususnya, dan bagi pihak yang memerlukan.

Bandung, Desember 2016 Penyusun,

(19)

69

DAFTAR PUSTAKA

[1] Arini, et al, “Pendeteksian Posisi Plat Nomor Mobil Menggunakan Metode Morfologi dengan Operasi Dilasi, Filling Holes, dan Opening”, Jurnal Teknik Informatika, Vol. 8, No. 1, 1 April 2015, pp. 10-15.

[2] L. L. Sulem, A. Zahour, and B. Taconet, “Text Line Segmentation of Historical Documents: a Survey”, IJDAR, April 2007, Vol. 9, pp. 123-138. [3] Penny Iswindarty, Pengolahan Citra Digital 1, Kementrian Pendidikan

dan Kebudayaan Republik Indonesia, Jakarta, 2013.

[4] Rafael C. Gonzales and R. E. Woods, Digital Image Processing, Second Edition, Prentice Hall, New Jersey, 2002.

[5] Raju G, “Wavelet Transform and Projection Profiles in Handwritten Character Recognition – A Performance Analysis”, IEEE, 2008, pp.309 – 314.

[6] Renju J, G.Raju, and D. S. Guru, “ID Wavelet Transform of Projection Profies for Isolated Handwritten Malayalam Character Recognition”, International Conference on Computational Intelligence and Multimedia

Applications, 2007, pp. 481 – 485.

[7] R. H. Sianipar, Pemograman Matlab Dalam Contoh dan Penerapan, Informatika, Bandung, 2013.

[8] Rinaldi Munir, Pengolahan Citra Digital dengan Pendekatan Algoritmik, Informatika, Bandung, 2004.

[9] Roman V. Yampolskiy, “Feature Extraction Methods for Character Recognition”. Disertasi, Department of Computer Science, Rochester Institute of Technology, Rochester, 2004.

[10] Sri Kusumadewi, Jaringan Syaraf Tiruan Menggunakan Matlab & Excel Link, Graha Ilmu, Yogyakarta, 2004.

[11] http://www.wacom.com/en-id/products/pen-tablets/intuos-pro-small, Diakses tanggal 26 April 2016.