Metode K-Support Vector Nearest Neighbor (K-Svnn) Untuk Mengenali Karakter Dalam Dokumen Citra Sertifikat

Optical Character Recognition (OCR) merupakan perangkat lunak yang dapat mengubah teks dari gambar menjadi teks dalam bentuk digital sehingga dapat diproses menjadi suatu informasi. Pada penelitian ini objek yang digunakan untuk dilakukan proses OCR adalah scan dokumen sertifkat. Sertifikat merupakan surat keterangan tertulis yang digunakan sebagai bukti kepemilikan telah mengikuti suatu kegiatan, dimana pada dokumen sertifikat jenis huruf dan ukuran yang digunakan berbeda-beda. Pada penelitian ini metode klasifikasi yang digunakan adalah K-Nearest Neighbor (K-NN) dan reduksi data K-Support Vector Nearest Neighbor (K-SVNN). Sebelum dilakukan reduksi data dan klasifikasi, scan dokumen sertifikat akan melalui beberapa tahap yang terdiri dari grayscaling, thresholding, segmentasi Profile Projection dan Maximally Stable Extremal Regions (MSER), scaling, dan ekstraksi fitur Moment Invariant. Penelitian ini dilakukan dengan menggunakan 2520 dataset yang terdiri dari 36 kelas berisi huruf A-Z, a-z dan angka 0-9. Data uji yang digunakan berjumlah 10 buah scan dokumen sertifikat. Hasil pengujian yang dilakukan berdasarkan 20 kombinasi parameter K dari K-NN dan K dari K-SVNN mendapatkan tingkat akurasi terbesar yaitu 30.9827% dengan jumlah reduksi data sebesar 24,5238% dengan kombinasi parameter K dari K-SVNN = 19 dan K dari K-NN = 1. Hasil tersebut dipengaruhi oleh preprocessing serta data latih dan data uji yang digunakan. Hal tersebut dikarenakan background pada sertifikat itu tidak polos, melainkan memiliki gambar dan pola sehingga mengakibatkan gambar dan pola tersebut dikenali sebagai objek pada proses segmentasi.