ABSTRAKSI: Pengenalan karakter sudah banyak diteliti oleh berbagai kalangan, salah satunya adalah pengenalan huruf tulisan tangan. Dengan pengenalan huruf tulisan tangan ini, maka diharapkan dapat membantu kegiatan manusia dalam memasukkan data ke suatu komputer atau database dengan lebih cepat dan efektif. Namun, yang menjadi masalah adalah huruf tulisan tangan yang ditulis oleh setiap orang memiliki keunikan dalam bentuk dan ukuran huruf yang berbeda-beda. Masalah lainnya adalah ada beberapa huruf alfabet yang memiliki kemiripan bentuk, seperti huruf “I” dan huruf “l”. Hal inilah yang memberikan permasalahan tersendiri dalam pengenalan huruf tulisan tangan dimana sistem yang dibuat harus dapat mengenalinya dengan baik.
Dengan permasalahan tersebut, maka pada tugas akhir ini dibangun suatu sistem yang dapat mengenali huruf tulisan tangan offline. Huruf yang akan dikenali adalah huruf alfabet, yaitu huruf besar dan huruf kecil. Pada sistem ini akan dilakukan tiga tahap, yaitu preprocessing, ekstraksi ciri dengan Modified Direction Feature yang mengkombinasikan ciri arah dan informasi struktur yang ada pada karakter, serta klasifikasi dengan jaringan saraf tiruan Backpropagation yang dapat memecahkan masalah pada pengenalan pola dengan meminimalkan nilai kesalahan yang dilakukan pada saat proses pelatihan. Pada tugas akhir ini akan dilakukan pengujian dan analisis terhadap parameter-parameter yang mempengaruhi tingkat ketelitian atau akurasi sistem.
Sistem pengenalan huruf alfabet dengan menggunakan Modified Direction Feature dan jaringan saraf tiruan Backpropagation menghasilkan kesimpulan bahwa kedua metode ini dapat digunakan untuk mengenali huruf alfabet tulisan tangan. Tingkat akurasi dalam penelitian pengenalan huruf alfabet ini dipengaruhi oleh ukuran normalisasi citra, jumlah transisi, jumlah neuron pada hidden layer, nilai learning rate, nilai epoch, nilai goal, dan jumlah hidden layer. Akurasi sistem pengenalan yang dihasilkan pada data latih sebesar 98,9011 % untuk huruf besar dan 91,7582 % untuk huruf kecil, sedangkan akurasi pada data uji sebesar 58,9744 % untuk huruf besar dan 59,4017 % untuk huruf kecil.
Kata Kunci : pengenalan huruf tulisan tangan, Modified Direction Feature, BackpropagationABSTRACT: Character recognition has researched by any society, one of the application is handwriting recognition. With handwriting recognition, process to input data to the computer or database can be more fast and effective. But, the trouble is handwritten character written by everyone is unique in shape and size of characters. Another problem is there are some alphabet characters that have similar shape, such as “I” and “l”. This gives its own problems in handwriting character recognition.
With that problems, in this final project was built a system that can recognize offline handwriting characters. Characters that will be recognized are alphabet characters, such as uppercase characters and lowercase characters. In this system will be carried out three phases, such as preprocessing, feature extraction using Modified Direction Feature which combines features of direction and information on the character, and classification using neural network Backpropagation that can solve problems in pattern recognition by minimizing the mistakes when training process. In this final project will be carried out testing and analysis of the parameters that affect the precision or accuracy of the system.
The pattern recognition system of alphabet character that is using Modified Direction Feature and neural network Backpropagation lead to conclution that those methods can be used to recognize handwriting alphabet characters. Accuracy of system influenced by the size of normalization, the number of transitions, the number of hidden layer neurons, learning rate, epoch, goal, and the number of hidden layers. The system has an accuracy training is 98,9011 % for uppercase character and 91,7582 % for lowercase character. Accuracy testing is 58,9744 % for uppercase character and 59,4017 % for lowercase character.
Keyword: character handwriting recognition, Modified Direction Feature, Backpropagation