Penerapan Metode Support Vector Machine Dan Zone Centroid Zone Pada Pengenalan Citra Katakana Dan Hiragana

Optical Character Recognition (OCR) merupakan konversi dari tulisan tangan ke dalam bentuk file citra yang diubah, OCR dapat digunakan untuk pengenalan citra aksara Jepang, metode yang digunakan antara lain metode ArtificialNeuralNetwork [8], Backpropagation, HoughTransform[13], dan SupportVectorMachine [10]. Dari beberapa metode yang disebutkan metode SupportVectorMachine paling banyak digunakan karena memiliki kelebihan dalam akurasi yang baik yakni 90% [15]. Metode SupportVectorMachine dapat dikombinasikan dengan metode ekstraksi fitur Zoning-ZoneCentroidZone mampu menghasilkan hasil akan akurat dalam pengenalan tulisan, metode ini dipilih karena berdasarkan penelitian sebelumnya apabila metode klasifikasi SVM dan Zoning dikombinasikan akan lebih akurat. Oleh karena itu dalam penelitian ini bagaimana tingkat keakuratan pengenalan tulisan tangan menggunakan metode Zoning(ZoneCentroidZone) SupportVectorMachine (SVM) pada aksara katakana dan hiragana.Proses awal yang dilakukan yaitu memasukkan citra tulisan tangan kedalam aplikasi. Langkah selanjutnya melalui tahap pengolahan citra meliputi grayscale, thresholding, thining dan feature extraction. Dari tahap pengolahan citra akan didapatkan array nilai desimal dari setap ciri karakter, array desimal kemudian diolah kembali pada tahap klasifikasi dengan metode SVM baik pelatihan maupun pengujian. Hasil dari pengenalan tulisan tangan didapatkan teks digital.Berdasarkan hasil pengujian sistem pengenalan tulisan tangan pada kasus pengenalan citra Katakana dan Hiragana menggunakan metode Support Vector machine maka diperoleh akurasi terbaik sebesar 23,2%. Akurasi ini dipengaruhi oleh parameter pelatihan, data training dan data uji yang digunakan.

Optical Character Recognition (OCR) is the conversion of handwritten image files into a form which is modified, OCR can be used for the introduction of a revised Japan's image, method used, among others, the method of Artificial Neural Network [8], Backpropagation, Hough Transform [13], and Support Vector Machine [10]. From some of the methods mentioned the Support Vector Machine method most widely used because it has advantages in accuracy is good i.e. 90% [15]. Method of Support Vector Machine can be combined with the feature extraction method of Zoning-Zone Centroid Zone capable of generating results will be accurate in the introduction of writing, this method was chosen because it is based on previous research in method of SVM classification and Zoning combined would be more accurate. Therefore, in this study of how the level of accuracy of handwriting recognition method using Zoning (Zone Zone Centroid) Support Vector Machine (SVM) in hiragana katakana and alphabet.The initial process is done namely insert handwriting image into the application. The next step through image processing phase includes grayscale, thresholding, thining and feature extraction. From the stage of image processing will be obtained an array of values from decimal character traits, setap decimal array is then processed back in the stage classification with SVM method either training or testing. The result of the handwriting recognition was obtained by digital text.Based on the results of the testing system for handwriting recognition in the case of an The introduction of the image of Katakana and Hiragana using the method of Support Vector machine then obtained the best accuracy of 23,2%. This accuracy is affected by parameters of training, training data and test data are used.