Pengenalan Karakter Tulisan Tangan Menggunakan Ekstraksi Fitur Bentuk Berbasis Chain Code
DOI:
https://doi.org/10.25126/jtiik.2020742022Abstrak
Pengenalan karakter tulisan tangan pada citra merupakan suatu permasalahan yang sulit untuk dipecahkan, dikarenakan terdapat perbedaan gaya penulisan pada setiap orang. Tahapan proses dalam pengenalan tulisan tangan diantaranya adalah preprocessing, ekstraksi fitur, dan klasifikasi. Preprocessing dilakukan untuk merubah citra tulisan tangan menjadi citra biner yang hanya mempunyai ketebalan 1 pixel melalui proses binerisasi dan thining. Kemudian pada tahap ekstraksi fitur, dipilih fitur bentuk karena fitur bentuk memiliki peran yang lebih penting dibanding 2 fitur visual lainnya (warna dan tekstur) pada pengenalan karakter tulisan tangan. Metode ekstraksi fitur bentuk yang dipilih dalam penelitian ini adalah metode berbasis chain code karena metode tersebut sering digunakan dalam beberapa penelitian pengenalan tulisan tangan. Pada penelitian ini, dilakukan studi kinerja dari ekstraksi fitur berbasis chain code pada pengenalan karakter tulisan tangan untuk mengetahui metode terbaiknya. Tiga metode ekstraksi fitur berbasis chain code yang digunakan dalam penelitian ini adalah freeman chain code, differential chain code dan vertex chain code. Setiap citra karakter diekstrak menggunakan 3 metode tersebut dengan tiga cara yaitu ekstraksi secara global, lokal 3x3, 5x5, dan 7x7. Setelah esktraksi fitur, dilakukan proses klasifikasi menggunakan support vector machine (SVM). Hasil eksperimen menunjukkan akurasi terbaik adalah pada model citra 7x7 dengan nilai akurasi freeman chain code sebesar 99.75%, differential chain code sebesar 99.75%, dan vertex chain code sebesar 98.6%.
Abstract
The recognition of handwriting characters images is a difficult problems to be solved, because everyone has a different writing style. The step of handwriting recognition process are preprocessing, feature extraction, and classification. Preprocessing is done to convert handwritten images into binary images that only have 1 pixel thickness by using binarization and thinning. Then, in the feature extraction we select shape feature because it is more important than two other visual features (color and texture) in handwriting character recognition. Shape feature extraction method chosen in this research is chain code method because this method is often used in several studies for handwriting recognition. In this study, a performance study of feature extraction based on chain codes was carried out on handwriting character recognition to know the best chain code method. The three shape feature extraction based on chain code used in this study are freeman, differential and vertex chain codes. Each character image is extracted using these 3 methods in three ways: extraction globally, local 3x3, 5x5, and 7x7. After the extraction feature, the classification process is carried out using the support vector machine (SVM). The experimental results show that the best accuracy is in the 7x7 image model with the value of freeman chain code accuracy of 99.75%, the differential chain code of 99.75%, and the vertex chain code of 98.6%.
Downloads
Referensi
ANNAPURNA, P., KOTHURI, S. & LUKKA, S., 2013. Digit Recognition Using Freeman Chain Code. International Journal of Application or Innovation in Engineering & Management (IJAIEM), 2(8), pp. 362-365.
BOUKHAROUBA, A. & BENNIA, A., 2015. Novel Feature Extraction Technique for The Recognition of Handwritten Digits. Elsevier B.V. , 13(Applied Computing and Informatics), pp. 19-26.
BRIBIESCA, E., 1999. A new chain code. Pattern Recognition, Volume 32, p. 235—251.
BUNKE, H., 2012. FKI: Research Group on Computer Vision and Artificial Intelligence. [Online] Available at: http://www.fki.inf.unibe.ch
C, C. & V, V., 1995. Support-Vector Networks. Volume 297, pp. 273-297.
CHUNG, J. W., MOON, J. H. & KIM, J. K., 1998. Conditional differential chain coding for lossless representation of object contour. ELECTRONICS LETTERS 8th, Volume 34, pp. 55-56.
FATING, K. & GHOTKAR, A., 2014 . Performance Analysis of Chain Code Descriptor for Hand Shape Classification. International Journal of Computer Graphics & Animation (IJCGA), Volume 4, pp. 9-19.
FREEMAN, H. & DAVIS, L. S., 1977. A Corner-Finding Algorithm for Chain Coded Curves. IEEE TRANSACTIONS, pp. 207-303.
JABAY, R. O., 2014. A Chain Code Approach for Recognizing Basic Shapes. Jordan, s.n.
SALEM, A.-B. M., SEWISY, A. A. & ELYAN, U. A., 2005. A Vertex Chain Code Approach for Image Recognition. ICGST-GVIP Journal, 5(3), pp. 1-8.
SIDDIQI, I. & VINCENT, N., 2009. A Set of Chain Code Based Features for Writer Recognition. France, s.n.
VADDI, R. S., BOGGAVARAPU, L. N. P., VANKAYALAPATI, H. D. & ANNE, K. R., 2011. Contour Detection Using Freeman Chain Code and Approximation Methods for The Real Time Object Detection. Asian Journal Of Computer Science And Information Technology, pp. 15-17.
WULANDHARI, L. A., HARON, H. & MOHAMMAD, A., 2010. The Mapping Algorithm of Rectangular Vertex Chain Code from Thinned Binary Image.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).