Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sistem pengenalan Tulisan Tangan secara garis besar terbagi atas 2 kategori, yaitu on-line system dan off-line system. Pada on-line system, tulisan dihasilkan oleh suatu perangkat elektronik seperti pada layar PDA (touch screen), sedang off-line system menggunakan citra dari tulisan tangan yang diambil melalui kamera atau scanner.Pada tesis ini akan dibahas yang menggunakan off-line system, dimana citra tulisan diambil melalui scanner, kemudian diolah agar menghasilkan citra hitam putih tulisan tangan yang siap dimasukkan dalam proses pengenalan. Metode yang digunakan adalah pendekatan Analitis dengan Segmentasi secara eksplisit, dimana proses pengenalan tulisan dilakukan dengan cara memecah citra tulisan ke dalam segment, kemudian mencoba melakukanpengenalan terhadap segment tersebut. Metode ini mempunyai keunggulan bahwa dalam tahap pengenalan terhadap segment dapat menggunakan teknik Pengenalan Karakter (Optical Character Recognition) yang sudah ada, namun sistem ini mempunyai kelemahan bahwa ia tidak dapat mengambil informasi dari hubungan antar karakter. Pengenalan Character dilakukan melalui tahapan pemrosesan citra seperti Region Of Interest(ROI), binaryzation, dan thinning, kemudian dilakukan ekstraksi fitur dengan metode zoning untuk selanjutnya dimasukkan ke dalam JST Fuzzy ARTMAP. Fuzzy ARTMAP dipilih karena memiliki keunggulan dalam hal Incremental Learning. Hasil dari proses ini akan menghasilkan karakter dari kata yang dikenali."

"Dalam makalah ni akan dibahas sistem pengenal huruf tulisan tangan (SPHTT) yang terdiri dari sub-siostem pra-pengolahan citra, sub-sistem ekstraksi ciri dan sub-sistem klasifikasi. Sub sistem ekstrakasi ciri menggunakan proses aproksimasi kerangka setiap huruf dan memecah kerangka tersebut menjadi beberapa segmen dengan menentukan sejumlah titik penting dalam kerangka. Dalam sistem ini jaringan syaraf tiruan propadasi balik digunakan sebagai sub-sistem klasifikasi. Setiap segmen huruf tulisan tangan tersebut kemudian dipresentasikan sebagai loop, garis dan kurva dengan beberapa sifat yang berkaitan. Dalam makalah ini dijelaskan pula penggunaan sub-sistem ekstraksi ciri berlogika fuzzy untuk mendapatkan representasi terhadap bentuk yang telah ditetapkan sebelumnya. Eksperimen dilakukan dengan mengujukan data yang dilatihkan, sistem mempunyai akurasi pengenalan sampai dengan 97.69% sementara untuk data yang tidak dilatihkan akurasi pengenalan yang dicapai adalah 84.6%"

"Tugas akhir ini bertujuan untuk membuat sistem pengenal huruf tulisan tangan dengan menggunakan algoritma Backpropagation Neural Network. Untuk mendapatkan representasi huruf dari bentuk tulisan tangan pada sub-sistem ekstraksi ciri digunakan metode Freeman chain code dan pryeksi sumbu sehingga akan dihasilkan rangkaian kode kerangka citra tulisan huruf. Proses penghalusan dan penipisan citra dilakukan dengan algoritma klasik pada sub-sistem pra_pengolahan. Pengujian menghasilkan tingkat keberhasilan rata-rata 92,31% untuk citra huruf A?Z, 76,92% untuk citra huruf a?z dan 90% untuk citra angka 0-9."

"handwritten word segmentation problem has been exist for a long time in a handwritten word recognition filed...."

"Dalam skripsi ini dikembangkan suatu sistem analitis of}-line untuk mengenali tulisan tangan diskrit dengan menggunakanjaringan saraf buatan sebagai pengklasiftkasi. Pendekatan yang diambil adalah dengan melakukan pra-pengolahan terlebih dahuiu terhadap citra masukan, dan mengekstraksi beberapa ciri sebelum dimasukkan ke dalam jaringan saraf. Ciri yang digunakan tidak terlalu banyak yaitu 72 buah, dan diambil dari berbagai jenis kategori yaitu ciri global, lokal, tipografis, dan topologis. Jaringan saraf buatan yang digunakan dalam skripsi ini ada tiga buah yaitu jaringan huruf kecil, jaringan huruf besar, dan jaringan ACON (All Class in One Network) yang merupakan sebuah jaringan tunggal yang menangani semua kelas keluaran baik huruf besar maupun huruf kecil. Setiap node pada ketiga jaringan tersebut menggunakan fungsi aktivasi sigmoid dengan jangkauan keluaran [45, 0.5]. Pelatihan dilakukan dengan algoritma propagasi balik online (online backpropagation) untuk meminimumkan fungsi kesalahan cross-entropy. Dalam skripsi ini akan dibandingkan kemampuan generalisasi antara jaringan ACON dengan jaringan subclass yang terbentuk dari jaringan huruf besar dan jaringan huruf kecil. Pengujian juga dilakukan untuk melihat kemampuan sistem untuk mengenali citra masukan yang telah transformasi skala."

"Handwritten word segmentation problem is one of many problems in the handwritten wprd recognition field. This segmentation problem will be more complicated if dealing with cursive handwritten words. This paper will discuss a simple approach in segmentation using 1D Gaussian filters having 8 points in length and 4 - 12 in standard deviation as well as those having 12 - 24 points in length 4- 16 in standard deviation can be used effectively for this kind of segmentation."

"Sistem pengenal huruf tulisan tangan ini merupakan penelitian lanjutan dari tugas akhir Emanual Philipus D. Sistem Pengenal Huruf Tulisan Tangan ini menggunakan jaringan neural buatan PNN, logika fuzzy dan tehnik pengolahan citra. Huruf tulisan tangan dicari kerangka hurufnya menggunakan tehnik pengolahan citra dan aproksimasi kerangka untuk mendapatkan kerangka huruf yang paling mendekati bentuk kerangka sebenarnya, kemudian kerangka huruf itu dianggap sebagai directed graph yang memiliki kumpulan titik awal atau titik akhir dan titik cabang dan rusuk (edge). Rusuk-rusuk ini dikenali sebagai garis lurus, kurva atau loop menggunakan logika fuzzy. Sistem ini terdiri dari 3 tahapan besar, yaitu: pra-pengolahan yang bertujuan untuk mendapatkan kerangka huruf, klasifikasi huruf yang bertujuan mengenali elemen-elemen penyusun dan keterhubungan antar elemen-elemen tersebut dari huruf dan terakhir adalah tahap jaringan neural buatan pnn untuk mempelajari dan mengenali huruf-huruf tersebut berdasarkan informasi elemen-elemen penyusun dan keterhubungan antar elemen-elemen tersebut dari huruf tersebut. Sistem ini telah diuji dengan data yang tidak terlatih dan mendapatkan hasil pengenalan 9,8% - 25%. "