1
BAB I
PENDAHULUAN
1.1. Latar Belakang
Era saat ini merupakan era pengambilan, pengiriman, atau pertukaran informasi berupa data sangat dibutuhkan. Dalam hal ini untuk memanfaatkan atau memaksimalkan data agar tidak memakan banyak kapasitas penyimpanan dalam memori maka dilakukan kompresi. Kompresi memiliki beberapa teknik, salah satunya yang dipakai dalam penelitian ini adalah CS. CS (Compressive Sensing / Compressive Sampling) memberikan kelebihan untuk mengambil gambar dengan melakukan beberapa pengukuran, pengukuran ini mampu merekonstruksi gambar aslinya dengan sempurna karena mampu mengambil manfaat atau esensi citra [1]. CS sendiri merupakan suatu fungsi untuk teknik pengambilan data dengan cara capture atau merekam namun tidak semua data diambil hanya beberapa bagian saja. Sehingga kapasitas data yang diambil menggunakan teknik CS mendapatkan ukuran yang lebih kecil dan dapat diketahui bahwa CS berfungsi sebagai kompresi citra [2].
Penggunaan CS yang dikombinasikan pada pengenalan huruf dengan tulisan tangan merupakan penelitian yang secara umum baru dilakukan. Pada penelitian sebelumnya CS sudah banyak dilakukan tetapi tidak dikombinasikan dalam hal pengenalan tulisan.
Namun ada beberapa jurnal yang mendekati dalam membahas teknik CS untuk kecocokan pengklasifikasian penulisan huruf dengan tangan, yaitu pada jurnal [1] yang berisikan akurasi rata-rata pengenalan adalah 95% lebih untuk pengklasifikasi Support Vector Machine (SVM). Sedangkan 94.93% untuk pengklasifikasi K-Nearest Neighbor (K-NN) yang menjadi pengukuran CS sebagai fitur yang kredibel. Tetapi dalam penelitian yang dilakukan [1] adalah untuk mencapai akurasi yang tinggi untuk klasifikasi digit.
Dalam pengenalan karakter pun sudah banyak dilakukan oleh para peneliti salah satunya adalah pengenalan tulisan tangan. Pengenalan tulisan tangan sangat mudah diketahui oleh manusia namun tidak mudah dikenali oleh komputer, dikarenakan memiliki banyak faktor. Faktor tersebut diantaranya berbagai macam karakteristik dari setiap huruf alphabet, bentuk dan ukuran huruf yang ditulis oleh setiap orang berbeda,
2 dan ada juga huruf alphabet yang memiliki kesamaan diantaranya huruf “i” kapital dengan “L” non capital [3].
Pada Tugas Akhir (TA) difokuskan untuk meneliti apakah CS menurunkan akurasi deteksi kepemilikan tulisan tangan. Tulisan tangan dilakukan secara manual diatas kertas untuk dipotret menggunakan kamera. Kemudian diakuisisi untuk dikompresi menggunakan CS, setelah itu didekompresi dengan Orthogonal Matching Pursuit (OMP), lalu diekstraksi dengan template matching, dan terakhir proses pendeteksian menggunakan metode KNN untuk mengetahui kepemilikan tulisan tangan. Tulisan tangan yang akan digunakan adalah huruf alphabet yang terdiri dari huruf kapital dan angka. Penelitian ini juga difokuskan pada seberapa besar kekuatan untuk mengkompresi dan rekonstruksi yang dapat dilakukan oleh CS pada data berupa citra yang kontennya adalah tulisan tangan.
Adapun hasil dari penelitian penggunaan CS pada pengenalan huruf dengan tulisan tangan adalah, suatu citra dengan konten huruf tulisan tangan yang di scan untuk dikompresi dan direkonstruksi menggunakan CS mendapatkan kapasitas data lebih kecil ukurannya dibandingkan sebelum dikompresi menggunakan CS. Sehingga hasil scan atau perekaman tidak memerlukan banyak memori dan tidak menurunkan akurasi deteksi, pengenalan, maupun fitur untuk mengenali kepemilikan tulisan tangan berupa angka dan huruf kapital.
1.2. Penelitian Terkait
Terkait penelitian penggunaan CS pada pengenalan huruf dengan tulisan tangan terdapat berbagai macam metode yang berbeda untuk digunakan dalam penelitian mengenai pengenalan huruf tulisan tangan, berikut beberapa penelitian yang dijadikan referensi:
1. Pada penelitian [1] yang berjudul “ A Novel Classification of Handwritten Digits Using Compressive Sensing Technique” menjelaskan bahwa metode dari ekstraksi fitur yaitu Compressive Sensing (CS) menunjukan bahwa sampel dengan CS dapat digunakan sebagai fitur untuk klasifikasi multikelas dengan akurasi lebih dari 95%.
Hal tersebut didapat menggunakan Support Vector Machine (SVM) dan K-Nearest Neighbour (KNN) dengan rata-rata akurasi pengenalan mencapai 95% lebih untuk pengklasifikasi SVM, sedangkan pada pengklasifikasi K-NN akurasi rata-rata
3 pengenalan adalah 94.93%. Hasil tersebut menjadikan pengukuran CS sebagai fitur yang meyakinkan dan menunjukkan bahwa pengukuran yang dirasakan secara komprehensif dapat digunakan sebagai fitur untuk klasifikasi pola kompleks. Hal terbaik pada metode ini adalah tidak harus menangkap gambar secara penuh dan hanya bergantung pada beberapa pengukuran dan dapat mencapai akurasi yang tinggi untuk klasifikasi digit.
2. Pada penelitian [4] dengan judul “Handwritten Alphabets Recognition Using Twelve Directional Feature Extraction and Self Organizing Maps” mengusulkan metode sistem otomatis Handwritten Alphabets Recognition (HAR) offline. HAR menggunakan algoritma pengelompokan fitur twelve directional dan Self Organizing Maps (SOM) sehingga secara efektif dapat menganalisis jenis huruf. Sistem HAR memiliki tiga komponen diantaranya adalah komponen preprocessing yang terdiri dari konversi citra grayscale, binarization, dan thinning, komponen berikutnya ekstraksi ciri yang didasarkan pada fitur input twelve directional, dan komponen yang terakhir adalah clustering yaitu menggunakan algoritma SOM. Sistem HAR tidak mampu memaksimalkan kualitas citra jika tidak menjalankan algoritma clustering.
Jadi sistem pengenalan alphabet tulisan tangan (HAR) dengan metode ekstraksi ciri twelve directional dapat digunakan sebagai dasar dalam mengembangkan SOM untuk mengenali bentuk huruf alphabet tulisan tangan. Hasil akurasi sistem pengenalan yang telah diusulkan mencapai 90% untuk 150 data sekunder dan 87,69% untuk 150 data primer.
3. Pada penelitian [2] dengan judul “Compressed Sensing of Digital Signals with Finite Alphabets” menyelidiki CS dari sinyal digital dengan finite alphabet yang mana Compressive Sensing (CS) merupakan teori pengambilan sampel baru, yang dapat memulihkan sinyal hanya dengan pengambilan sampel capture. CS mengungkapkan bahwa sinyal multidimensi jarang dalam domain tertentu dan dapat ditangkap melalui Nonuniform Compressive Sampling (NCS) pada tingkat yang jauh di bawah tingkat Nyquist. Jadi, jumlah sampel yang dibutuhkan ditentukan oleh 'informasi' dari sinyal yang jarang, bukan dari bandwidth. Pada hasil pengujian dapat menampilkan diagram konstelasi sinyal QPSK, menampilkan hasil rekonstruksi, menunjukan solusi sudut, menyajikan hasil setelah partisi. Simulasi yang dilakukan menampilkan kurva
‘Nyquist Rate’ yang mengacu pada detektor kemungkinan maksimum dengan hasil
4 pengambilan sampel yang seragam, sedangkan kurva ‘CS’ mengacu pada hasil simulasi NCS. Dan pada penelitian yang dilakukan mampu menampilkan hasil pengujian model untuk klasifikasi modulasi yang dapat dilihat dari hasil simulasi sinyal BPSK. Sehingga dapat disimpulkan model CS untuk sinyal dengan karakter alphabet finite dapat mengurangi jumlah sampel yang diperlukan yang telah diverifikasi dari simulasi yang diujikan.
4. Penelitian [5] dengan judul “Handwritten Character Recognition from Images using CNN-ECOC” menjelaskan mengenai Optical Character Recognition (OCR) yang dikombinasikan dengan Convolutional Neural Network (CNN) dan Error Correcting Output Code (ECOC). Untuk CNN digunakan sebagai ekstraksi ciri atau fitur sedangkan ECOC digunakan untuk klasifikasi atau pengenalan huruf. Agar kedua pengklasifikasi tersebut cocok maka beberapa pengklasifikasi atau arsitektur CNN yaitu LeNet, AlexNet, dan ZfNet diuji dengan menggunakan kumpulan data gambar karakter tulisan tangan NIST. Didapatkan bahwa AlexNet adalah arsitektur CNN yang paling cocok jika dikombinasikan dengan ECOC untuk mengenali karakter tulisan tangan. Dan hasil dari simulasi CNN-ECOC memberikan akurasi yang tinggi untuk mengenali karakter tulisan tangan dibandingkan pengklasifikasi CNN yang sudah lama digunakan.
5. Penelitian [6] dengan judul “OCR-Nets: Variants of Pre-trained CNN for Urdu Handwritten Character Recognition via Transfer Learning” menjelaskan mengenai OCR-Nets (Optical Character Recognition-Nets) dengan varian AlexNet dan GoogleNet untuk mengenali karakter urdu tulisan tangan melalui transfer learning.
Arsitektur CNN yaitu OCR-AlexNet dan OCR-GoogleNet merupakan varian dari CNN yang terlatih AlexNet dan GoogleNet menghasilkan peningkatan kinerja yang signifikan dalam tingkat pengenalan rata-rata. Untuk OCR-AlexNet menghasilkan 96.3% sedangkan OCR-GoogleNet 94.7%. Pada evaluasi objektif menunjukan bahwa OCR-AlexNet dapat mengekstrak fitur yang efektif dari citra karakter urdu tulisan tangan dibandingkan dengan metode konvensional. Untuk akurasi tingkat pengenalan fitur berbasis AlexNet memvalidasi AlexNet-SVM membawa hasil yang sangat baik.
Dan untuk waktu eksekusi maupun waktu ekstraksi fitur untuk OCR-AlexNet lebih singkat dibandingkan OCR-GoogleNet.
5 6. Pada penelitian [7] dengan judul “Combining Extreme Learning Machine ,RF and HOG for Feature Extraction” mengusulkan metode untuk ekstraksi gambar yang berkonten angka tulisan tangan berdasarkan Random Forest (RF) dan Histogram of Oriented Gradient (HOG) dengan mempertimbangkan keunggulan RF dan HOG.
Metode yang diusulkan diuji dengan dataset MNIST dan USPS. Hasil pada dataset MNIST adalah 97.19 untuk akurasi, 78.93 untuk waktu pelatihannya, dan 0.97 untuk waktu percobaannya. Sedangkan hasil pada dataset USPS adalah 96.66 untuk akurasi, 20.16 untuk waktu pelatihannya, dan 0.58 untuk waktu percobaannya. Dapat disimpulkan bahwa metode kombinasi ELM, RF, dan HOG memiliki akurasi pengenalan tulisan tangan lebih tinggi dan memiliki kecepatan pelatihan pengklasifikasi lebih cepat dibandingkan metode HOG-ELM dan ML-ELM.
7. Pada penelitian [8] dengan judul “Feature Fusion Based Approach for Handwritten Bangla Character Recognition Using Extreme Learning Machine” berisikan pengenalan karakter tulisan tangan huruf bangla berdasarkan upaya fusi fitur.
Penelitian ini mengusulkan penggabungan dua vektor fitur berbeda yang diperoleh dengan Histogram of Oriented Gradient (HOG) dan filter Gabor untuk diimplementasikan dengan Extreme Learning Machine (ELM). ELM sendiri merupakan jaringan syaraf tiruan feed-forward.dengan kegunaan mengevaluasi tingkat pengenalan karakter input. Hasil uji dengan teknik ekstraksi ciri atau fitur individu menunjukan akurasi 90.5% untuk HOG dan 91.2% untuk filter Gabor.
Sedangkan dengan menggunakan metode kombinasi yaitu fusi fitur memberikan akurasi pengenalan sebesar 96.1%.
8. Pada penelitian [9] dengan judul “Handwritten Character Recognition Using Histograms of Oriented Gradient Features in Deep Learning of Artificial Neural Network” menyajikan metode penerapan HOG untuk ekstraksi ciri pada Deep- Learning Feedforward-Backpropagation Neural Network (DFBNN) dan Extreme Learning Machine (ELM) untuk klasifikasi yang diujikan pada tiga dataset tulisan tangan yaitu huruf Thailand, angka Bangla, dan angka Devanagari. Pada penelitian ini juga dilakukan penyelidikan dan membandingkan kemampuan untuk mempelajari efek klasifikasi di DFBNN dan ELM menggunakan metode ekstraksi HOG dan tanpa metode ekstraksi HOG. Hasilnya menunjukan HOG dapat meningkatkan tingkat
6 akurasi pengenalan DFBNN dan ELM sehingga DFBNN menunjukan tingkat pengenalan lebih tinggi dibandingkan dengan ELM.
1.3. Rumusan Masalah
Perumusan masalah dari Tugas Akhir (TA) ini yang dibahas dalam latar belakang diatas adalah:
1. Bagaimana menerapkan CS pada pengenalan huruf dengan tulisan tangan?
2. Bagaimana menganalisis akurasi dan mengoptimasisasi parameter untuk menemukan akurasi terbaik terhadap pengenalan huruf tulisan tangan pada citra dengan penerapan CS?
3. Bagaimana mendapatkan metode ekstraksi ciri dan pengklasifikasian agar sesuai dengan teknik CS untuk dikolaborasikan?
4. Berapa besarnya kekuatan kompresi yang dapat dilakukan oleh CS terhadap pengambilan citra berupa huruf alphabet dengan tulisan tangan?
5. Seberapa besar berkurangnya akurasi deteksi, pengenalan, atau fitur untuk pengenalan huruf tulisan tangan akibat CS?
6. Bagaimana kualitas hasil rekonstruksi dari CS terhadap citra pengenalan huruf dengan tulisan tangan?
1.4. Tujuan Penelitian
Tujuan dari Tugas Akhir ini adalah:
1. Dapat menemukan akurasi terbaik terhadap pengenalan huruf tulisan tangan pada citra dengan penerapan CS menggunakan analisis akurasi dan mengoptimasisasi parameter.
2. Mengetahui seberapa besar kekuatan kompresi yang dilakukan oleh CS terhadap pengambilan gambar berupa huruf dengan tulisan tangan.
3. Mengetahui seberapa besar berkurangnya akurasi deteksi, pengenalan, atau fitur untuk pengenalan huruf tulisan tangan akibat CS.
4. Dapat mengetahui kualitas citra dari hasil rekonstruksi CS.
1.5. Manfaat Penelitian
Manfaat dari Tugas Akhir ini adalah:
1. Hasil perekaman atau capture untuk pendeteksian tulisan tangan tidak memerlukan banyak memori sehingga efisien dan hemat memori.
7 2. Agar dapat mengetahui kepemilikan tulisan tangan milik siapa ketika huruf sudah
dikenali.
1.6. Batasan Masalah
Dalam penelitian Tugas Akhir ini, objek penelitian dibatasi pada ruang lingkup sebagai berikut:
1. Huruf alphabet ditulis menggunakan tangan yang ditulis di atas kertas atau pada selembar kertas.
2. Huruf ditulis menggunakan spidol atau alat tulis yang berwarna hitam.
3. Tulisan tangan yang digunakan berjenis balok bukan tulisan sambung.
4. Huruf yang dikenali atau dideteksi merupakan huruf alphabet yaitu huruf kapital “A- Z”.
5. Karakter angka yang dikenali atau dideteksi adalah “0-9”.
6. Inputan huruf alphabet dengan tulisan tangan berupa file gambar yang telah di capture dan juga dikompresi menggunakan CS lalu didekompresi untuk dikenali atau dideteksi dengan format *.bmp.
7. Pengcapturan atau pemotretan menggunakan kamera minimal 64 MP, resolusi 72 dpi atau 150 dpi.
8. Huruf untuk pengambilan sample yang ditulis dengan tangan didapat dari kalangan mahasiswa atau mahasiswi dan orang terdekat sebanyak 11 orang.
9. Jumlah citra yang akan dideteksi adalah 396 berformat *.bmp, karena dari ke-11 orang tersebut setiap orangnya akan diberikan jatah selembar kertas untuk menuliskan huruf kapital “A-Z” dan angka “0-9”.
10. Metode yang digunakan untuk mendeteksi atau pengenalan huruf dengan tulisan tangan menggunakan Template Matching dan K-Nearest Neighbour (KNN).
11. Sistem dibuat pada perangkat lunak Matlab.
12. Format warna menggunakan biner.
13. Sistem dibuat untuk mengenali huruf alphabet yang dibuat dengan tulisan tangan setelah di capture, kompresi, didekompresi, diekstraksi dan pengklasifikasian.
1.7. Metodologi Penelitian
Metodologi pada Tugas Akhir ini untuk memecahkan permasalahan penelitian, digunakanlah langkah-langkah sebagai berikut:
8
1. Studi Literatur
Pencarian referensi untuk melakukan pemahaman terkait konsep dasar CS (Compressive Sensing) dan mencari referensi terkait metode yang cocok untuk ekstraksi dan pengklafikasian pada pengenalan huruf alphabet dengan tulisan tangan.
Referensi berasal dari artikel internet, paper, dan jurnal nasional maupun internasional
2. Pengumpulan Data
Mengumpulkan data-data pola tulisan alphabet yang akan digunakan untuk input proses percobaan dan juga mengumpulkan data terkait informasi yang dapat mendukung pencarian solusi dalam penyelesaian Tugas Akhir. Pengumpulan data dilakukan dengan cara memberikan form yang akan diisi oleh mahasiswa dan mahasiswi kemudian form tersebut di scan menjadi file dengan format *.bmp.
3. Analisis dan Perancangan Sistem
Membuat rancangan desain sistem untuk pengkompresan file gambar hasil pemotretan yang kontennya berisikan huruf alphabet dengan tulisan tangan untuk dikenali. Tahapan perancangan:
1. Pemotretan tulisan tangan berupa huruf alphabet 2. Kompresi menggunakan CS
3. Di dekompresi
4. Pendeteksian yang terdapat proses pre-processing, lalu dikompresi menggunakan CS sebagai masukan, setelah itu ekstraksi ciri, klasifikasi, dan keluarannya adalah huruf alphabet dengan tulisan tangan yang dapat dikenali.
4. Implementasi Sistem
Studi Literatur Pengumpulan Data Analisis dan Perancangan Sistem
Iplementasi Sistem Analisis Hasil
Pengujian Sistem Kesimpulan
9 Melakukan implementasi pada sistem yang sesuai dengan analisis kebutuhan dan perancangan yang telah dilakukan pada tahap sebelumnya.
5. Analisis Hasil Pengujian Sistem
Melakukan analisis terhadap hasil dari pengujian dan evaluasi sistem yang telah dibuat dengan membandingkan tingkat akurasi dan parameter-parameter dari berbagai metode ekstraksi dan pengklasifikasian untuk mendapatkan metode yang cocok. Sehingga mendukung teknik pengompresian yaitu menggunakan CS dan juga mendukung pengenalan huruf tulisan tangan.
6. Kesimpulan
Kesimpulan berisikan hasil pengujian yang sudah dilakukan.
1.8. Sistematika Penulisan
Sistematika dalam penulisan Tugas Akhir ini adalah sebagai berikut:
1. BAB I Pendahuluan
Bab ini berisikan uraian latar belakang masalah yang mendasari pentingnya penelitian, identifikasi, perumusan dan pembatasan masalah penelitian, tujuan dan manfaat penelitian, metodologi penelitian, sistematika penulisan, serat jadwal kegiatan.
2. BAB II Dasar Teori
Bab ini berisi dasar teori yang menjelaskan mengenai pengertian dan prinsip dasar metode-metode yang digunakan.
3. BAB III Analisis dan Perancangan Sistem
Bab ini berisikan uraian tentang deskripsi dan analisis sistem, perancangan sistem, serta implementasi dari metode yang digunakan pada Tugas Akhir ini.
4. BAB IV Pengujian dan Implementasi
Bab ini berisi tentang proses pengujian dan implementasi dari sistem yang akan digunakan. Ada pula skenario yang dilakukan untuk mendapatkan hasil yang terbaik.
5. BAB V Penutup
Pada bab ini berisikan kesimpulan dan saran.
6. Daftar Pustaka
Pada daftar pustaka berisikan referensi-referensi yang didapatkan dari jurnal atau paper maupun artikel dari internet untuk mensupport TA ini.
