ANALISIS PERFORMANSI SISTEM DETEKSI CITRA TULISAN TANGAN MENGGUNAKAN TRANSFORMASI CURVELET DAN K-NEAREST NEIGHBOR
Freddy Hendri¹, Bambang Hidayat², Retno Novi Dayawati³
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Tingkat kejahatan semakin marak terjadi, seperti pemalsuan dokumen-dokumen penting, pemalsuan tanda tangan, dan sebagainya. Untuk itu, demi menghindari tindak kejahatan
tersebut, tulisan tangan mulai dilibatkan untuk membuktikan keaslian dari sebuah dokumen atau untuk menunjukan keaslian pemilik dokumen tersebut.
Dengan dilibatkannya tulisan tangan yang ditulis langsung oleh seseorang, maka akan sangat sulit bagi para pelaku kejahatan untuk memalsukan dokumen-dokumen penting, termasuk pemalsuan terhadap tulisan tangan, karena tulisan tangan setiap orang memiliki ciri khas yang berbeda, baik dari jenis tulisannya maupun lekukan-lekukan yang dibentuk oleh tangan untuk mengukir tulisan tersebut. Penerapan teknologi pengenalan karakter tulisan tangan akan sangat bermanfaat, seperti untuk pembuktian keaslian tulisan tangan, untuk keperluan analisis forensik dan keperluan perbankan.
Dalam tugas akhir ini dilaksanakan penelitian proses pengenalan tulisan tangan (handwriting recognition) menggunakan metode Transformasi Curvelet dan proses pengenalan karakter menggunakan metode K-Nearest Neighbor sehingga dapat dibedakan tulisan seseorang dengan tulisan orang lain. Citra masukan yang akan menjadi input berupa citra dalam format .jpg.
Setelah itu dilakukan ekstraksi ciri dengan menggunakan Transformasi Curvelet. Keluaran dari Curvelet berupa ciri yang nantinya menjadi input untuk K-Nearest Neighbor.
Untuk meningkatkan performansi sistem, maka dilakukan pengujian terhadap sistem. Pengujian dilakukan dengan melakukan analisa terhadap beberapa parameter. Parameter-parameter tersebut adalah jumlah data latih yang digunakan, normalisasi, ukuran block dan nilai overlap pada block overlapping, skala dan orientasi pada curevelet, distance dan nilai K pada KNN yang menghasilkan akurasi terbaik pada sistem.
Dari hasil pengujian performansi sistem, maka diketahui bahwa performansi sistem mencapai akurasi tertinggi saat menggunakan parameter jumlah data latih 30 dan sampel 9, normalisasi dengan ukuran 200 x 50, ukuran block 10x10, nilai overlap 7, skala 2 orientasi 8, distance city block dan nilai K=7, sehingga diperoleh akurasi sitem sebesar 96,30%.
Kata Kunci : Kata Kunci: : Tulisan tangan, Transformasi Curvelet, K-Nearest Neighbor, Akurasi
Fakultas Teknik Informatika Program Studi S1 Teknik Informatika
With the exclusion of handwriting, written directly by a person, it will be very difficult for criminals to forge vital documents, including the falsification of handwriting, because handwriting everyone has different characteristics, both from the type of literature as well as curves formed by hand to engrave the text. The application of handwritten character recognition technology will be useful, such as to prove the authenticity of the handwriting, for the purposes of forensic analysis and banking purposes.
In this final duty conducted the research process handwriting (handwriting recognition) using the method of transformation Curvelet and character recognition processes using K-Nearest
Neighbor method that can distinguish one's writing with the writing of others. Input image that will be input in the form of images. Jpg format. Once that was done by using a feature extraction transformation Curvelet. The output of the Curvelet form that will be the input feature for the K- Nearest Neighbor.
To improve the performance of the system, then testing the system. Testing is done by analyzing several parameters. These parameters are trained to use the amount of data, normalization, block size and the overlap on the block overlapping, scale and orientation on curevelet, distance and value of K in the KNN that produces the best accuracy on the system.
From the results of performance testing system, it is known that the performance of the system to achieve the highest accuracy when using the parameter amount of data to train 30 and 9 samples, normalized to the size of 200 x 50, 10x10 block size, the overlap 7, 2 orientation scale 8, the city block distance and the K = 7, so that the obtained accuracy of 96.30%.
Keywords : Keywords: Handwriting, Transformation Curvelet, K-Nearest Neighbor, Accuracy
1
1. PENDAHULUAN
1.1 Latar Belakang Masalah
Pengembangan pengetahuan tulisan tangan telah banyak dilakukan dan juga diterapkan diseluruh dunia. Dalam ilmu psikologi modern, pengetahuan tentang menganalisa tulisan tangan dikenal dengan ilmu Grafologi, dan para ahli dalam bidang ini secara professional telah dapat mengungkap keserasiannya dalam menentukan suatu karakter. Penerapan teknologi tulisan tangan memiliki banyak manfaat, misalnya untuk keperluan analisis forensik, keperluan perbankan dan juga untuk membuktikan keaslian tulisan tangan seseorang. Kini, telah banyak dokumen penting yang melibatkan tulisan tangan dari orang yang bersangkutan. Hal ini dikarenakan maraknya tindakan kejahatan seperti pemalsuan kepemilikan dokumen dengan memalsukan tanda tangan dari pemilik aslinya sehingga tanda tangan tidak lagi cukup aman untuk pembuktian kepemilikan suatu dokumen penting.
Pada bidang biometrik dinyatakan bahwa setiap orang memiliki ciri tulisan tangan yang berbeda. Dari ciri inilah yang akan menjadi dasar dalam melakukan deteksi tulisan tangan. Untuk dapat melakukan deteksi tulisan tangan ini, diperlukan proses ekstraksi ciri dan proses klasifikasi terhadap tulisan tangan.
Sebelum melalui proses ekstraksi ciri dan proses klasifikasi, juga diperlukan preprocessing yang digunakan untuk menghilangkan noise yang terdapat pada citra dan untuk mendapatkan objek data yang diperlukan.
Untuk mengetahui dan mengenali ciri dari suatu tulisan tangan, dibutuhkan suatu metode yang dapat mengesktraksi ciri tulisan tangan tersebut.
Transformasi Curvelet merupakan salah satu metode yang dapat digunakan untuk memecahkan masalah diatas. Transformasi Curvelet mampu mempresentasikan objek bertepi terutama garis lengkung. Keluaran dari curvelet ini berupa ciri yang akan dijadikan masukan untuk sistem klasifikasi.
Proses klasifikasi yang digunakan adalah K-Nearest Neighbor. Pada algoritma ini data tulisan tangan yang diuji diklasifikasikan berdasarkan kemiripan ciri yang ada dari data tulisan tangan yang sudah diklasifikasikan sebelumnya.
Dari penelitian yang sebelumnya pernah dilakukan, dengan menggunakan metode 2D Gabor Wavelet dan Back Propagation Neural Network telah dihasilkan sistem pengenalan tulisan tangan dengan tingkat akurasi 78% [5]. Oleh karena itu, dalam tugas akhir ini telah dibuat sebuah sistem yang dapat mengenali tulisan dengan menggunakan metode Transformasi Curvelet dan K- Nearest Neighbor dengan tujuan mendapatkan tingkat akurasi yang lebih baik dari sebelumnya.
1.2 Rumusan Masalah
Dari latar belakang yang telah disampaikan sebelumnya, maka dapat dijabarkan beberapa rumusan masalah yang dibahas pada Tugas Akhir ini, yaitu:
1. Bagaimana membedakan tulisan seseorang dengan tulisan orang lain.
2. Membandingkan nilai parameter K dan aturan jarak pada K-Nearest Neighbor untuk mendapatkan tingkat akurasi yang optimal.
Fakultas Teknik Informatika Program Studi S1 Teknik Informatika
3. Menganalisa parameter level dan filter pada Transformasi Curvelet yang dapat menghasilkan ciri terbaik yang akan digunakan sebagai masukan pada K- Nearest Neighbor
4. Bagaimana menguji dan menganalisa kerja sistem.
1.3 Tujuan
Hasil yang ingin dicapai melalui penelitian yang dilakukan pada Tugas Akhir ini adalah:
1. Merancang dan membuat suatu program/aplikasi yang dapat mengenali pemilik tulisan tangan, melalui ekstraksi ciri dengan mengunakan metode Transformasi Curvelet dan K-Nearest Neighbor.
2. Memperoleh tingkat akurasi yang lebih baik dari akurasi pada tingkat sebelumnya untuk mengenali pemilik tulisan tangan dengan menggunakan metode Transformasi Curvelet dan K-Nearest Neighbor.
3. Menganalisis performansi program/aplikasi deteksi tulisan tangan dengan menentukan level dan filter pada Transformasi Curvelet dan nilai parameter K yang terbaik pada K-Nearest Neighbor sehingga menghasilkan akurasi maksimum.
1.4 Hipotesis
Hipotesis dari permasalahan yang diangkat pada Tugas Akhir ini antara lain :
1. Dengan menggunakan metode Transformasi Curvelet yang merupakan metode untuk proses ekstraksi ciri tulisan tangan, diperoleh hasil performansi akurasi ekstraksi ciri yang lebih baik dari sebelumnya yang menggunakan 2D Gabor Wavelet. Hal ini dikarenakan Transformasi Curvelet lebih akurat dalam mendeteksi lekukan, sehingga akan lebih teliti dalam proses ekstraksi ciri tulisan tangan.
2. Dengan menggunakan KNN (K-Nearest Neighbor) yang merupakan salah satu metode klasifikasi dalam mengklasifikasi objek berdasarkan urutan ketetanggan terdekat, ditentukan dari ketepatan penggunaan parameter K yang akan menghasilkan performansi maksimum.
1.5 Batasan Masalah
Beberapa batasan masalah pada penelitian Tugas Akhir ini adalah:
1. Tulisan tangan yang diidentifikasi ditulis di selembar kertas A4 dengan pulpen yang berdiameter 0,5 mm sampai dengan 1 mm dan jumlah kata yang akan diidentifikasi sebanyak 5 kata.
2. Sistem mampu membaca masukan berupa hasil scan dari tulisan tangan yang stabil dan ditulis secara mendatar (horizontal).
3. Output dari sistem merupakan keakuratan dalam menentukan pemilik tulisan tangan atau error result.
4. Sistem masih offline.
5. Jumlah sampel yang dilakukan sebanyak 30 orang, terdiri dari : 10 tulisan tangan latih, 3 tulisan tangan uji.
3 6. Simulasi menggunakan Matlab R2009a
7. Kalimat standard yang diidentifikasi dalam penelitian ini adalah
“SAYA TELAH MEMBACA DAN MENYETUJUI”
1.6 Metode Penelitian
Beberapa langkah penelitian yang dilakukan untuk mendapatkan hasil yang diharapkan sesuai dengan Tugas Akhir ini adalah:
1. Studi Literatur
Tahap awal dalam penelitian ini adalah mencari data dengan membaca dan mempelajari dari buku dan sumber lainya yang berhubungan dengan masalah ini, yaitu konsep pengenalan tulisan tangan, teori dasar citra digital, pengolahan citra digital, teori tentang transformasi curvelet untuk ekstraksi ciri dan K-Nearest Neighbor untuk identifikasi, agar mendapatkan gambaran yang jelas mengenai masalah yang akan dibahas.
2. Pengumpulan Data
Pada tahap ini dilakukan pengumpulan data berupa contoh tulisan tangan untuk database sebanyak 30 orang. Setiap orang membuat 10 tulisan tangan latih dan 3 tulisan tangan uji yang ditulis pada kertas A4 berlatar belakang warna putih, kemudian di scan sehingga berbentuk file gambar (.jpg/.jpeg/.tif/.bmp/.png).
3. Perancangan Model
Melakukan perancangan model sistem sesuai requirement awal. Adapun perancangan model yang dibangun ditunjukkan pada gambar 1.1 berikut ini :
Selesai Masukan
Citra Uji
Preprocessing
Ekstraksi Ciri dengan Trasformasi
Curvelet Klasifikasi
dengan K- Nearest Neighbour Ekstraksi Ciri
dengan Trasformasi
Curvelet
Preprocessing Citra Latih
Hasil KNN Mulai
Database Ciri Latih
Gambar 1.1 Model Perancangan Sistem Deteksi Tulisan Tangan
Fakultas Teknik Informatika Program Studi S1 Teknik Informatika
4. Implementasi
Implementasi hasil perancangan model ke dalam bentuk sistem. Bertujuan untuk melakukan implementasi metode ke dalam program aplikasi matlab sesuai dengan perancangan yang telah dilakukan.
5. Pengujian dan analisis hasil
Pengujian dilakukan dengan melakukan uji terhadap parameter level dan filter pada proses ekstraksi ciri, serta melakukan uji terhadap parameter nilai K yang terbaik pada K-Nearest Neighbor untuk melakukan analisa performansi sistem serta mengukur tingkat keberhasilan sistem dalam mengenali suatu tulisan tangan.
6. Pengambilan kesimpulan dan penyelesaian laporan
Bertujuan untuk menarik kesimpulan setelah melakukan penelitian mengenai identifikasi tulisan tangan.
1.7 Sistematika Penelitian
Secara umum keseluruhan Tugas Akhir ini dibagi menjadi lima pokok bahasan. Uraiannya adalah sebagai berikut:
1. PENDAHULUAN
Bab ini membahas latar belakang, rumusan masalah, tujuan penelitian, batasan masalah, metode penelitian, dan sistematika penulisan.
2. DASAR TEORI
Bab ini membahas teori mengenai masalah pengenalan tulisan tangan, citra digital, pengolahan citra digital, teori dasar segmentasi, Transformasi Curvelet, dan K-Nearest Neighbor.
3. PERANCANGAN DAN IMPLEMENTASI SISTEM
Bab ini membahas proses akuisisi citra, perancangan sistem sampai ekstraksi ciri pengenalan tulisan-tangan.
4. PENGUJIAN SISTEM DAN ANALISIS
Bab ini berisi hasil dari penelitian dan menguraikan analisis dari metode ekstraksi citra dan algoritma yang digunakan pada Tugas Akhir ini, yaitu Transformasi Curvelet dan K-Nearest Neighbor.
5. PENUTUP
Bab ini berisi kesimpulan dari hasil Tugas Akhir dan saran untuk pengembangan-pengembangan lebih lanjut.
38
5. KESIMPULAN DAN SARAN
5.1 Kesimpulan
Kesimpulan yang didapatkan dari hasil pengujian dan analisis yang telah dilakukan pada perancangan sistem deteksi citra tulisan tangan, maka dapat diambil beberapa kesimpulan sebagai berikut:
1. Perancangan dan implementasi sistem telah berjalan. Sistem mampu membedakan tulisan tangan seseorang dengan orang lain dari sample yang diperoleh. Pengaruh penggunaan banyak induvidu terhadap akurasi sistem mengahasilkan akurasi terbaik ialah pada saat penggunaan data latih berjumlah 30 dan data sampel 9 dengan akurasi sebesar 96.30 %.
2. Normalisasi yang menghasilkan akurasi terbaik ialah ukuran 200x50 pixel dengan akurasi sebesar 96,30%. Semakin besar resolusi sebuah gambar, maka akan semakin banyak nilai pixel yang akan diolah.
3. Parameter yang digunakan pada block overlapping yang menghasilkan akurasi terbaik adalah dengan ukuran blok 10x10 dan overlap 7x7, dengan akurasi 96,30%.
4. Parameter yang digunakan pada skala dan orientasi yang menghasilkan akurasi terbaik adalah dengan ukuran skala 2 dan orientasi 8, dengan akurasi 96.30% dan waktu komputasi tercepat.
5. Sistem bekerja dengan maksimal saat menggunakan city block distance dengan dengan Nilai K = 7, akurasi yang didapat sebesar 96,30% pada sistem deteksi citra tulisan tangan.
5.2 Saran
Aplikasi deteksi tulisan tangan ini masih memiliki beberapa kekurangan.
Oleh karena itu, perlu adanya pengembangan-pengembangan lebih lanjut yang mampu memperbaiki segala kekurangan yang ada pada sistem yang telah dibuat.
Adapun saran untuk pengembangan tugas akhir selanjutnya adalah : 1. Sistem yang dibuat dapat bersifat real-time.
2. Menggunakan metode lain untuk mereduksi ciri seperti : PCA, BFO dll 3. Dapat mencoba membandingkannya dengan metode yang lain selain
metode probabilistic.
Powered by TCPDF (www.tcpdf.org)
Fakultas Teknik Informatika Program Studi S1 Teknik Informatika
DAFTAR PUSTAKA
[1] Hasbi, Irvan T. (2010). Analisis dan Implementasi Content Based Image Retrieval Menggunakan Metode Curvelet Transform. Institut Teknologi Telkom. Bandung.
[2] Hery, Mauridhi P dan Arif Muntasa. (2010). Konsep Pengolhan Citra Digital dan Ekstraksi Fitur. Graha Ilmu. Yogyakarta.
[3] Kusumawardani, Jati. (2011). Perancangan dan Implementasi Sistem Rekapitulasi Nilai Akhir Mahasiswa secara Otomatis Berbasis Pengolahan Citra Digital di Lingkungan Kampus IT Telkom. Institut Teknologi Telkom. Bandung.
[4] Putra, Darma. (2010). Pengolahan Citra Digital. Yogyakarta. Penerbit ANDI.
[5] Sefrina, Amalia. (2011). Analisis Perancangan Aplikasi Pengenalan Induvidu Melalui Citra Tulisan Tangan Berbasis 2D Gabor Wavelet dan Back Propagation Neural Network. Institut Teknologi Telkom.
Bandung.
[6] Sensaria, Veny. (2011). Desain dan Implementasi Sistem Verifikasi Pembayaran Registrasi Menggunakan Print Out ATM Berbasis Pengolahan Citra Digital di IT Telkom. Institut Teknologi Telkom.
Bandung.
[7] Sukma. (2011). Konverter Otomatis Karakter Latin ke Karakter Braille Menggunakan Support Vector Machine (SVM). Institut Teknologi Telkom. Bandung.
[8] Sumana,Israt Jahan (dkk.). “Content Based Image Retrieval Using Curvelet Transform”. Gippysland School of Information Technology, Monash University Churchill, Victoria 3842, Australia. Tersedia:
Http://infotech.monash.edu.au [4 Maret 2012]
[9] Suslianto, Rizki. (2011). Identifikasi Pembuat Tulisan Tangan Menggunakan Haar dan Algoritma Propagasi Balik Levenberg Marquardt. Institut Teknologi Telkom. Bandung.
[10] Http://www.curvelet.org/software.html, diakses terakhir pada tanggal 7 November 2011
[11] Putra, Dito Ananta (2012). Analisis Identifikasi Telapak Tangan Menggunakan Metode Orthogonal Laplacian Dengan Klasifikasi Nearest Neighbor. Institut Teknologi Telkom. Bandung.
[12] [lexing,demanet,emmanuel]@acm.caltech.edu. Diakses terakhir pada tanggal 19 Maret 2012
[13] IEEE Transaction On Image Processing, VOL. 11, NO. 6, JUNE 2002, diakses terakhir pada tanggal 19 Maret 2012
[14] Solomon, Chris dan Toby Breckon. (2011). Funndamentals of Digital Image Processing. Wiley-Blackwell. India
