Perpustakaan judul masih dalam tahap pengembangan, admin siap menampung kritik dan saran
Implementasi Metode Support Vector Machine (SVM) Dan Zoning Untuk Pengenalan Tulisan Tangan Pada Kasus Pengecekan Jawaban Ujian
Muhammad Ferderico Soleh NIM. (2017) | Skripsi | Teknik Informatika
Bagikan
Ringkasan
Tulisan tangan merupakan salah satu bagian bahasa dari bahasa secara umumnya. Tulisan tangan dapat dimiliki oleh semua orang dan tulisan setiap orang berbeda-beda, tergantung dengan tingkat keunikan dan karakteristik yang dimiliki. Telah banyak penelitian yang dikaji terkait pengenalan citra tulisan tangan. Hasil dari pengenalan citra tulisan tangan yang didapatkan bervariasi dan dipengaruhi oleh data latih dan metode ekstraksi fitur dan klasifikasi. Dalam penelitian ini, metode ekstraksi fitur yang digunakan adalah Zoning(Image Centroid Zone-Zone Centroid Zone), metode klasifikasi yang digunakan adalah Support Vector Machine untuk melakukan pengenalan citra tulisan tangan yang selanjutnya akan diimplementasikan pada kasu evaluasi jawaban ujian esai. Hasil evaluasi jawaban ujian pada penelitian ini dipengaruhi oleh akurasi pengenalan tulisan tangan yang didapatkan. Sebelum melakukan proses klasifikasi , citra tulisan tangan akan melalui tahap Grayscale, Threshold, Segmentasi, Resize dan ekstraksi fitur Zoning. Dan selanjutnya dilakukan proses pelatihan dan pengujian oleh metode Support Vector Machine. Setelah didapatkan hasil pengenalannya maka langkah terakhir yaitu evaluasi jawaban ujian dengan metode rabin-karp yang hanya bertugas untuk menentukan tingkat kesamaan antara hasil pengenalan dan jawaban ujian yang disediakan. Karakter tulisan tangan yang dapat dikenali ada 62 karakter terdiri dari A-Z, a-z dan 0-9. Data training yang digunakan pada penelitian ini menggunakan 1 sampel tulisan tangan untuk 62 data kelas yang ada, yang berarti (1 x 62 = 62) dan 100 sampel tulisan tangan untuk data latih yang artinya ada 6.200 karakter (100 x 62 = 6200). Kemudian data uji yang digunakan ada 1 data tulisan jawaban esai yang berbeda-beda. Berdasarkan hasil pengujian yang dilakukan terhadap data uji dengan menggunakan 10 kombinasi parameter pelatihan, maka didapatkan akurasi terbaik sebesar 77,6 % adapun kombinasi yang digunakan adalah gamma =0.5 , probability= 2, nu = 0.5 dan maksimum C = 1.
Ringkasan Alternatif
Handwriting is one part of the language of the language in general. Handwriting can be shared by all people and posts each different person, depending on the level of uniqueness and characteristics possessed. Been many studies that examined in regard to the image of handwriting recognition. The results of image recognition obtained handwriting varies and is influenced by the training data and methods of feature extraction and classification. In this study, feature extraction methods used are zoning (Image Centroid Centroid-Zone Zone Zone), the classification method used is Support Vector Machine to perform image recognition of handwriting that will be implemented in the evaluation kasu essay exam answers. The results of the evaluation of exam answers in this research is influenced by the handwriting recognition accuracy is obtained. Before performing the classification process, the image of handwritten going through a phase Grayscale, Threshold, segmentation, feature extraction Resize and Zoning. And further training and testing process is done by a method Support Vector Machine. Having obtained his recognition results then the last step is the evaluation of exam answers with rabin-Karp method which only served to determine the degree of similarity between the results of introduction and test answers provided. Handwritten characters that can be recognized, there are 62 characters consist of A-Z, a-z and 0-9. Training data used in this study using handwriting samples 1 to 62 existing class data, which means that (1 x 62 = 62) and 100 handwriting samples for training data, which means there are 6,200 characters (100 x 62 = 6200). Then the test data used there are 10 data writing essay answers. Based on the results of tests performed on test data using 10 combinations of parameters of training, then obtained the best accuracy by 77.6% while the combination used is gamma = 0.5, probability = 2, nu = 0.5 and a maximum of C = 1.