Penggunaan Compressive Sensing pada Pengenalan Huruf dengan Tulisan Tangan Menggunakan Metode K-Nearest Neighbor

Abstrak

Pengambilan, pengiriman, atau pertukaran informasi berupa data sangat dibutuhkan oleh manusia. Kehidupan manusia membutuhkan informasi dengan cepat dan tepat, maka data dimanfaatkan agar tidak memakan banyak kapasitas bandwidth dan memori saat sampai di server. Dalam penelitian ini, dilakukan kompresi dengan teknik CS (Compressive Sensing). Penggunaan CS difokuskan terhadap pengenalan huruf kapital dan angka tulisan tangan yang didapatkan dari sebelas mahasiswa dengan beberapa skenario. Untuk mengetahui hal tersebut dilakukan pengumpulan data lalu diolah menggunakan preprocessing, CS, rekontruksi dengan Orthogonal Matching Pursuit, dan proses terakhir pendeteksian menggunakan K-Nearest Neighbor yang didalamnya terdapat ekstraksi ciri menggunakan Template Matching. Setelah tahapan dirancang, dilakukan pengujian dengan beberapa skenario untuk memperoleh akurasi deteksi yang paling baik dengan mengubah parameter ukuran setiap blok pada suatu citra, mengubah baris kompresi, dan mengubah dimensi citra. Sehingga didapatkan bahwa skenario yang cocok untuk pengenalan huruf kapital dan angka adalah  skenario 1 (perbandingan database citra rekonstruktif pada pengujian dengan database citra asli sebelum akuisisi CS pada pelatihan) dengan akurasi deteksi sebesar 91.95% untuk huruf kapital sedangkan untuk deteksi angka sebesar 93%.

Abstract

Retrieval, delivery, or exchange of information in the form of data is needed by humans. Human life requires information quickly and precisely, so data are used so it doesn't take up a lot of bandwidth and memory capacity when it arrive at the server. In this study, compression was performed using the CS ( Compressive Sensing) technique. The use of CS is focused on recognizing capital letters and handwritten numbers obtained from eleven students with several scenarios. To find out, the data were collected and then processed using preprocessing, CS, reconstruction with Orthogonal Matching Pursuit, and the last detection process were using K- Nearest Neighbor in which there were feature extraction using Template Matching. After the design stage, several scenarios were tested to obtain the best detection accuracy by changing the size parameters of each block in an image, changing the compression line, and changing the image dimensions. So it is found that the suiTabel scenario for recognizing capital letters and numbers is scenario 1 ( comparison of the reconstructive image database in the test with the original image database before the acquisition of CS in training) with a detection accuracy of 91.95% for capital letters while for number detection it is 93%.