Perpustakaan judul masih dalam tahap pengembangan, admin siap menampung kritik dan saran
Penerapan Metode Learning Vector Quantization Dan Directional Element Feature Untuk Pengenalan Tulisan Tangan
David Suwandi NIM. (2018) | Skripsi | Teknik Informatika , Teknik Informatika , Teknik Informatika , Teknik Informatika
Bagikan
Ringkasan
Pengenalan tulisan tangan merupakan bagian Optical Character Recognition (OCR) yaitu sebuah proses untuk mengenali karakter dari suatu citra digital. Citra dari tulisan tangan akan diubah kedalam bentuk digital, yang nantinya akan mampu dikenali sistem. Metode klasifikasi digunakan untuk proses learning dalam pengenalan tulisan tangan. Berdasarkan penelitian sebelumnya Metode Learning Vector Quantization (LVQ) mampu mengenali citra dengan tingkat keakuratan 61,07% dan untuk data yang belum dilatih sebesar 48,17%. Proses pengenalan tulisan tangan melalui berbagai proses diantaranya proses grayscale, savuola threshold, segmentasi dan ekstraksi ciri yang kemudian hasil dari ekstraksi akan masuk pada metode LVQ untuk dilakukan pelatihan dan pengujian. Proses Metode LVQ digabungkan dengan metode ekstraksi ciri Directional Element Feature, metode DEF digunakan untuk mendapatkan ciri dari sebuah citra yaitu dengan melihat perbedaan kontur dan tanpa proses skeletonisasi. Setelah melakukan pengujian sistem dengan metode Black Box dan dihitung tingkat akurasi dapat ditarik kesimpulan bahwa program berfungsi dengan benar. Pada pengenalan tulisan tangan memiliki tingkat akurasi 73.80% dan untuk citra tulisan tangan yang belum dilakukan pembelajaran sebesar 36.99%.
Ringkasan Alternatif
Handwriting recognition is part of Optical Character Recognition (OCR) namely a process to recognize characters from a digital image. The image of the handwriting will be converted into digital form, which the system will be able to recognize. Classification method is used for the learning process in handwriting recognition. Based on previous research the Learning Vector Quantization Method (LVQ) is able to recognize images with an accuracy rate of 61.07% and for data that has not been trained at 48.17%. The handwriting recognition process through various processes including grayscale process , saver threshold, feature segmentation and extraction which then results from extraction will enter the LVQ method for training and testing. LVQ Method Process combined with Directional Element Feature feature extraction method , the DEF method is used to get the characteristics of an image by looking at the difference in contours and without the process of skeletonization. After testing the system with the Black Box method and calculating the accuracy level, it can be concluded that the program functions correctly. Handwriting recognition has an accuracy rate of 73.80% and for handwriting images that have not been studied for 36.99%.