290| Universitas Multi Data Palembang
PENERAPAN ALGORITMA $Q SUPER QUICK RECOGNIZER UNTUK PENGENALAN ANGKA
Muhammad Yudha Setiawan1*), Yohannes2, Yoannita3
1,2,3Program Studi Informatika, Fakultas Ilmu Komputer & Rekayasa, Universitas Multi Data Palembang
1[email protected], 2[email protected], 3[email protected]
Kata kunci:
qdollar; pengenalan angka; super quick recognizer
Abstract: Learning material is generally written on the blackboard as a learning medium, but using a pen tablet as a tool in learning like using a pen and paper can be done more easily and interestingly. Children's written numbers be recognized, namely using a gesture recognition algorithm to detect whether the numbers written by children are correct. The $Q Super Quick Recognizer algorithm can recognize 2D gestures designed for rapid prototyping of Gesture-based user interfaces. In this study using the $Q Super Quick Recognizer algorithm in the number recognition game. With an average level of accuracy of 99.50%, precision of 97.56% and 95.50% Recalls.
Abstrak: Materi pembelajaran pada umumnya dituliskan pada papan tulis di depan kelas sebagai media pembelajaran, namun dengan menggunakan pen tablet sebagai alat bantu dalam pembelajaran layaknya menggunakan pena dan kertas dapat dilakukan lebih mudah dan menarik. Bagaimana tulisan angka anak-anak itu bisa dikenali yaitu menggunakan algoritma pengenalan gestur untuk mendeteksi apakah benar angka yang ditulis oleh anak-anak itu benar.
Algoritma $Q Super Quick Recognizer dapat mengenal gerakan 2D yang dirancang untuk pembuatan prototipe cepat antarmuka pengguna berbasis Gerakan. Pada penelitian ini menggunakan algoritma $Q Super Quick Recognizer pada game pengenalan angka. Dengan tingkat rata-rata akurasi sebesar 99.50% , precision sebesar 97.56% dan Recall 95.50%.
Setiawan. Yohannes. Yoannita (2023). Penerapan Algoritma $Q Super Quick Recognizer untuk Pengenalan Angka.
MDP Student Conference 2023
PENDAHULUAN Latar Belakang
Pengenalan gestur mengacu pada klasifikasi setiap lintas gerakan yang dimasukkan dengan alat penunjuk dan bertujuan untuk mengklasifikasikan angka individual menghindari masalah segmentasi karakter, dengan pengenalan gestur 2D dalam layar sentuh yang interaktif. Template Matching adalah proses menghitung kesamaan antara template, diimplementasikan melalui konvolusi 2D. Pencocokan templat atau template matching merupakan pendeteksian gambar sederhana yang dapat dengan mudah mendeteksi perbedaan jenis objek hanya dengan mengubah templat tanpa prosedur pelatihan [1]. Banyak penelitian tentang metode pencocokan templat cepat telah dilakukan, yang berfokus pada meningkatkan algoritma pencarian. Dalam teknologi pencitra ,meliputi proses segmentasi dengan tujuan untuk mendeteksi kelainan, mensimulasikan dan mengembangkan program melalui algoritma yang terus dikembangkan untuk berbagai keperluan, mulai dari identifikasi/deteksi, segmentasi, simulasi bahkan pengembangan pemrograman perangkat medis [2]. Tetapi citra mengunakan daya komputasi yang tinggi untuk melakukan suatu proses.
Penelitian ini merupakan penelitian yang bertujuan untuk menerapakan algoritma $Q Super Quick Recognizer untuk pengenalan angka. Algoritma $Q Super Quick Recognizer dapat mengenal gerakan 2D
Universitas Multi Data Palembang | 291 yang dirancang untuk pembuatan prototipe cepat antarmuka pengguna berbasis gerakan. $Q Super Quick Recognizer dibangun di atas $P Point Cloud Recognizer tetapi mengoptimalkannya untuk kecepatan dan meningkatkan akurasinya. $Q pada saat ini memiliki performa paling baik di $-family [3] , akurat dan memungkinkan pengenalan gerakan di banyak perangkat saat ini dan di masa mendatang dengan daya komputasi rendah atau terbatas.
$Q berjalan hingga 142X lebih cepat dari $P pendahulunya dalam evaluasi benchmark pada beberapa CPU seluler ,dan dieksekusi dalam waktu kurang dari 3% dari komputasi $P tanpa kehilangan akurasi.
Dalam evaluasi paling ekstrem yang menuntut akurasi pengenalan lebih dari 99% yang tidak bergantung pada pengguna, $P membutuhkan 9,4 detik untuk menjalankan satu klasifikasi, sementara $Q diselesaikan hanya dalam 191 ms (percepatan 49X) pada Cortex-A7, salah satu yang paling CPU yang tersebar luas di pasar ponsel [4].
Penelitian terdahulu mengenai gesture recognition dengan penerapan deep learning dengan menggunakan Algoritma Convolutional Neural Network (CNN) [5] , dilakukan training data untuk membuat model yang diinginkan , 6000 gambar dengan resolusi 240 x 640 pixel dan dengan warna grayscale . Hasil penelitian tingkat akurasi rata-rata 88,96%. Penelitian mengenai klasifikasi spesies kupu kupu menggunakan metode Convolutional Neural Network (CNN) [6] dengan melakukan pencocokan template. Hasil Penelitian didapatkan tingkat akurasi tertinggi untuk setiap arsitektur dengan menggunakan optimizer Adam sehingga didapatkan tingkat akurasi menggunakan VGG-16 sebesar 93% dan dengan menggunakan LeNet sebesar 67%. Penelitian mengenai pengenalan karakter tulisan tangan menggunakan SVM berbasis Recognition Model [7], untuk meningkatkan tingkat akurasi maka diperlukan dataset yang komprehensif dan memiliki variasi karakter . Hasil dari penelitian memberikan akurasi 94% dan mengenali karakter tulisan tangan dalam skenario real-time. Maka dari itu peneliti menggunakan algoritma point matching yang mendeteksi gestur dengan prosedur pelatihan yang sederhana berbasis point cloud untuk menghemat daya komputasi.
Sementara penggunaan algoritma $Q Super Quick Recognizer pada penelitian mengenai Gesture Recognition titik 2D [3] . Sama seperti $P, $Q mengimplementasikan cloud match dan hasil dari penelitian
$Q diketahui berkinerja baik dengan pemrosesan dan waktu komputasi yang terbatas. Penggunaan algoritma
$Q Super Quick Recognizer pada penelitian $Q :Gerakan Stroke Artikulasi-Invarian Super-Quick Recognizer untuk perangkat sumber daya rendah [4]. Hasil dari penelitian $Q dapat mempercepat perhitungan sebesar 49x lebih cepat dibandingkan $P pada Cortex-A7.
METODE
$1, $N $P, $Q atau $family diketahui mengimplementasikan classifier nearest neighbour dengan membandingkan gestur dari data uji dengan setiap template berbaris instance memiliki fungsi pengukuran Euclidean[8]. Point cloud atau bisa disebut Gestur titik tanpa urutan yang disimpan oleh $P. $N Multistroke Recognizer merupakan algoritma sebelumnya , sebelum dikembang menjadi $P, $1 Unistroke Recognizer merupakan algoritma sebelumnya dikembangkan menjadi $N. Setiap Algoritma $family memiliki cara kerja yang berbeda, algoritma $1 hanya dapat mengenali tulisan garis tunggal. $1 adalah pengenal gerakan Uni- Stroke 2D yang mendukung penggabungan gerakan ke dalam UI. Dapat dilatih dengan sejumlah data yang bervariasi dan hanya melibatkan geometri dasar dan trigonometri dalam sekitar 100 baris kode[9]. $1 Mengimplementasikan algoritma pencocokan templat atau template matching untuk mengklasifikasikan kandidat di antara template $1 menentukan kumpulan titik yang direkam sebelumnya dan dibandingkan dengan kumpulan titik yang di input, $N mengenali tulisan garis dengan menyimpan segala permutasi urutan jarak setiap poin ,ekstensi signifikan ke $1 yang secara otomatis menghasilkan semua variasi multi-stroke [10]. $P menyimpan garis dengan menggunakan Point Cloud, membandingkan dua point cloud berdekatan dengan memakai pendekatan aproksimasi Hungarian Algorithm serta $Q mengimplementasikan pengabain awal selama proses point cloud , hanya memanggil function Cloud-Distance saat diperlukan saja yang menyebabkan pengurangan beban kerja pada perangkat dan juga menghemat waktu ekstra dibandingkan dengan $P[4].
292| Universitas Multi Data Palembang
Dalam beberapa tahun terakhir, perangkat elektronik seperti cincin pintar , jam tangan , dan telepon dianggap sebagai perangkat yang memiliki daya rendah , yang berarti memiliki daya pemrosesan yang lebih rendah dan memori yang kecil dari pada laptop dan desktop. $Q dapat menghemat waktu perangkat, contohnya jika dapat mengetahui cloud distance dari kandidat dan template tidak bisa lebih kurang dari Lower Bounding (LB) dan jarak minimum lebih kecil dari LB, maka fungsi cloud distance akan dipanggil dan hanya membuang-buang daya perangkat. Lower Bounding sudah digunakan dalam data mining untuk mempercepat DTW , tetapi belum digunakan untuk mencocokan Point Cloud. [3]
Memperkenalkan Lower Bounding untuk Cloud Distance dengan menghilangkan kendala dari pencocokan titik 1-to-1. Algoritma $Q mengurangi waktu klasifikasi dari $P yang dioptimalkan dengan teknik yang baru (1) Pre-processing, seperti pada $P, template dan kandidat disampel ulang ke titik titik yang berjarak sama, diskala secara seragam dan di translate sehingga pusat massanya berada di (0,0).
Kemudian, point gesture diubah menjadi “look-up table” (LUT), sebuah 2D dari titik-titik yang berjarak sama dihitung satu kali untuk setiap template. LUT menerapkan pencocokan titik pencarian yang mencari titik terdekat waktu dan batas bawah di diwaktu klasifikasi. Menunjukkan bawah grid 64x64 point memberikan hasil yang baik antara tuntutan memori ekstra dan akurasi. (2) Classification. $Q dibangun di atas prosedur cloud distance yang dioptimalkan $P. Segera setelah skor minimum tidak dapat ditingkatkan oleh two cloud, $Q menerapkan pengabain awal dan menghindari perbandingan yang tidak diperlukan selama proses pencocokan berlangsung. Waktu Eksekusi yang berharga dapat dihemat dengan memanggil fungsi cloud distance jika diperlukan.
Gambar 1. Pseudocode Cloud Match
Sumber: depts.washington.edu/acelab/proj/dollar/qdollar.html[11]
1:
[i/step] < min then
[i/step] < min then 10:
Universitas Multi Data Palembang | 293 Gambar 2. Pseudocode Cloud Distance
Sumber: depts.washington.edu/acelab/proj/dollar/qdollar.html[11]
Pada Gambar 2 menunjukkan penerapan early abandoning dan lower bounding pada algoritma $Q Super Quick Recognizer. Lower bounding atau batas bawah sebagai fungsi $Q jika LB memenuhi:
LB , $Q,
Dilakukan $Q (C, T) untuk mencari jarak minimum antara kandidat dan templat dengan dilakukan pencarian Jarak Euclidean:
$ , !"
#
. min(∗ *# + (*, 2
Lower bound atau batas bawah menghilangkan kendala pencocokan titik 1-to-1 dan memungkin untuk setiap titik C untuk dicocokan dengan titik manapun dari T. Dissimilarity score atau skor ketidakmiripan akan lebih kecil dibandingkan dengan cloud distance. Dengan asumsi titik awal i, maka lower boundnya:
LB. , !# . min(/0,1*#+ (*, 3
Jika lower bound melebihi jarak minimum , maka perhitungan perbedaannya dihentikan karena jarak #
minimum tidak boleh lebih kecil dengan lower bound , early abandoning atau pengabaian awal dapat menghemat waktu perangkat dalam melakukan klasifikasi dengan cara memanggil fungsi cloud distance jika hanya diperlukan saja ,merupakan sebuah improvements untuk point-cloud matching [4] . Euclidean Distance digunakan untuk menghitung jarak antara dua baris data yang memiliki nilai numerik pada kasus ini perhitungan dua baris tersebut menghitung lower bound dan minimum distance karena $family memiliki model atau mengimplementasi classifier nearest neighbour maka perhitungan menggunakan perhitungan jarak euclidean.
1: indexes of unmatched points from template
∞
7: for each j in unmatched do
8: d SQR-EUCLIDEAN-DISTANCE (points[i] , template[j] ) 9: if d < min then
10: min d
11: index j
12: REMOVE(unmatched, index) // implementable in O (1) 13: sum sum + weight . min
14: if sum > minSoFar then
15: return sum // early abandoning of computations 16: weight weight – 1 // weight decrease from n to 1
17: I (i + 1) MOD n // advance to the next point in points 18: until i==start
19: return sum
294| Universitas Multi Data Palembang
HASILDANPEMBAHASAN
Pengujian yang dilakukan dengan menjalankan game dan menuliskan angka 1 sampai 10 dan didokumentasikan ke dalam tabel , angka numeral di uji secara 1-1 dan setiap angka di uji sebanyak 20x pengujian. Pada pengujian ini angka dilakukan untuk menghitung performa dari $Q menggunakan input gesture yang sesuai dengan template yang sudah ada.
Tabel 1. Hasil Pengujian
Numeral Jumlah dikenali Total
Error Rata-rata Dikenali
1 2 3 4 5 6 7 8 9 10
1 20 0 0 0 0 0 0 0 0 0 0 100%
2 0 20 0 0 0 0 0 0 0 0 0 100%
3 0 0 19 0 0 0 0 0 1 0 1 100%
4 0 0 0 20 0 0 0 0 0 0 0 100%
5 0 0 0 0 20 0 0 0 0 0 0 100%
6 0 0 0 0 0 19 0 1 0 0 0 100%
7 0 0 0 0 0 0 20 0 0 0 0 100%
8 0 0 0 0 0 0 0 20 0 0 0 100%
9 1 0 1 0 0 0 0 1 17 0 0 85%
10 0 0 0 0 0 0 0 0 0 20 0 100%
Total Error 5
Total Benar 195
Rata – rata Dikenali 97,5%
Gambar 3. Performa Rata-rata $Q 0,00%
10,00%
20,00%
30,00%
40,00%
50,00%
60,00%
70,00%
80,00%
90,00%
100,00%
0 1 2 3 4 5 6 7 8 9 10
Performa Rata-Rata $Q
Accuracy Precision Recall
Universitas Multi Data Palembang | 295 Maka dilakukan perhitungan metrik dari pengujian tiap kelas atau label dengan akurasi , precision dan recall pada Gambar 1 sedangkan metrik performa rata-rata algoritma $Q Super Quick Recognizer dapat dilihat pada Gambar 2
Gambar 4. Hasil Rata-rata Perhitungan Metrik
Pada Gambar 3, hasil akurasi, precision dan recall pada setiap kelas yang telah diuji sebanyak 20 kali dengan cara menjalankan game. Hasil akurasi tertinggi dari satu kelas,yaitu sebesar 100%. Akurasi terendah dari satu kelas, yaitu 98%. Sedangkan untuk akurasi rata-rata pengujian dapat dilihat pada Gambar 4, yaitu dengan akurasi sebesar 99.50%, precision sebesar 97.56% dan Recall 97.50%
SIMPULAN
Dari penelitian mengenai Penerapan Algoritma $Q Super Quick Recognizer Untuk Pengenalan Angka ,diperoleh kesimpulan Penerapan Algoritma $Q Super Quick Recognizer Untuk Pengenalan Angka berhasil dengan tingkat rata-rata akurasi sebesar 99.50% , precision sebesar 97.56% dan Recall 95.50%
.Numeral 9 merupakan numeral yang memiliki tingkat akurasi terendah sebesar 98% .Dari Numeral 1 sampai dengan 10 terdapat beberapa numeral yang memiliki tingkat akurasi 100% yaitu numeral 1, 2, 4, 5, 7, 8, dan 10
.
DAFTARPUSTAKA
[1] M. A. Hossain and S. Afrin, “Optical Character Recognition Based on Template Matching,” Double Blind Peer Rev. Int. Res. J., Vol. 19, No. 2, 2019.
[2] G. A. Trianto, F. J. Sinaga, M. F. Marzuki, and Q. Al Qorni, “Operasi Opening dan Closing pada Pengolahan Citra Digital Menggunakan Matlab,” pp. 104–110, 2022.
[3] N. Magrofuoco, P. Roselli, and J. Vanderdonckt, “Two-Dimensional Stroke Gesture Recognition: A Survey,” ACM Comput. Surv., Vol. 54, No. 7, Sep. 2022, doi: 10.1145/3465400.
99,50%
97,56% 97,50%
50,00%
60,00%
70,00%
80,00%
90,00%
100,00%
110,00%
Accuracy Precision Recall
Average Performace $Q
296| Universitas Multi Data Palembang
[4] R. D. Vatavu, L. Anthony, and J. O. Wobbrock, “$Q: A Super-Quick, Articulation-Invariant Stroke- Gesture Recognizer For Low-Resource Devices,” in MobileHCI 2018 - Beyond Mobile: The Next 20 Years - 20th International Conference on Human-Computer Interaction with Mobile Devices and Services, Conference Proceedings, Sep. 2018. doi: 10.1145/3229434.3229465.
[5] A. A. Alhamdani, “Penerapan Deep Learning Dengan Menggunakan Algoritma Convolutional Neural Network (CNN) Untuk Gesture Recognition,” 2021.
[6] Micheal, “Klasifikasi Spesies Kupu-kupu Menggunakan Metode Convolutional Neural Network,”
MDP Student Conf., Vol. 1, No. 1, pp. 569–577, 2022, [Online]. Available:
https://jurnal.mdp.ac.id/index.php/msc/article/view/1928
[7] Y. B. Hamdan and Sathish, “Construction of Statistical SVM Based Recognition Model for Handwritten Character Recognition,” J. Inf. Technol. Digit. World, Vol. 3, No. 2, pp. 92–107, 2021, doi: 10.36548/jitdw.2021.2.003.
[8] J. Vanderdonckt, P. Roselli, and J. L. P. Medina, !“FTL, An Articulation-Invariant Stroke Gesture Recognizer With Controllable Position, Scale, and Rotation Invariances,” in ICMI 2018 - Proceedings of the 2018 International Conference on Multimodal Interaction, Oct. 2018, pp. 125–
134. doi: 10.1145/3242969.3243032.
[9] R. Bufano, G. Costagliola, M. De Rosa, and V. Fuccella, “PolyRec Gesture Design Tool: A tool for Fast Prototyping of Gesture-Based Mobile Applications,” Softw. - Pract. Exp., Vol. 52, No. 2, pp.
594–618, Feb. 2022, doi: 10.1002/spe.3024.
[10] M. Ousmer, A. Sluy¿ters, N. Magrofuoco, P. Roselli, and J. Vanderdonckt, “Recognizing 3D Trajectories as 2D Multi-stroke Gestures,” Proc. ACM Human-Computer Interact., Vol. 4, No. ISS, Nov. 2020, doi: 10.1145/3427326.
[11] R. D. Vatavu, L. Anthony, and J. O. Wobbrock, “$Q Super-Quick Recognizer,” MobileHCI 2018 - Beyond Mobile: The Next 20 Years - 20th International Conference on Human-Computer Interaction with Mobile Devices and Services, Conference Proceedings, 2018.
https://depts.washington.edu/acelab/proj/dollar/qdollar.html (accessed Feb. 15, 2023).
