IImplementasi Metode Hidden Markov Model Untuk Deteksi Tulisan Tangan

Eka Yuwitaning, Bambang Hidayat, Nur Andini

Abstract

Pentingnya informasi dan data digital dalam era komputerisasi saat ini sehingga proses digitalisasi informasi senantiasa menjadi topik penelitian yang menarik untuk diaplikasikan pada berbagai bidang. Penerapan teknologi pengenalan citra pada tulisan tangan akan sangat bermanfaat misalnya untuk membaca tulisan tangan pada suatu data penting yang sudah lama disimpan, seperti jurnal kerja atau dokumen-dokumen penting di perkantoran. Pentingnya teknologi ini untuk mempermudah proses pencarian dan penyimpanan data agar lebih efektif. Proses awal pada sistem adalah pre-processing data uji dan latih, kemudian dilakukan ekstraksi ciri dengan metode MDF (Modified Direction Feature). MDF adalah kombinasi dari metode Direction Feature (DF) dan Transition Feature (TF), yaitu mengambil dan menghitung nilai ciri berdasarkan goresan (stroke) karakter dari berbagai arah sehingga ciri karakter bersifat unik. Setelah ciri karakter didapat, maka diklasifikasi dengan Hidden Markov Model (HMM), yang merupakan perluasan dari rantai Markov di mana state-nya tidak dapat diamati secara langsung (tersembunyi), tetapi hanya dapat mengamati variabel-variabel yang terpengaruh oleh state. Hasil rata-rata akurasi terbaik pengenalan karakter pada penelitian ini adalah tingkat akurasi sekitar 74,72% dengan rata-rata waktu komputasi pengujian sistem adalah 2,23 detik. Kata kunci: HMM, detection, state, OCR dan MDF

Full Text:

PDF

Refbacks

  • There are currently no refbacks.
max_upload :0