ABSTRAKSI: Berkembangnya teknologi komputerisasi membuat metode penulisan konvensional bergeseser, namun cara ini akan terus bertahan selama menulis menggunakan pena dan kertas lebih memberikan kenyamanan dan kesenangan dibanding menggunakan keyboard dan PC table. Untuk menjembatani hal tersebut dengan perkembangan teknologi, maka diperlukan suatu sistem pengenalan tulisan tangan yang mampu mengubah tulisan tangan kertas menjadi format teks komputer. Hal inilah yang mendorong munculnya berbagai penelitian mengenai pengenalan tulisan tangan. Dan hingga saat ini tingkat kesempurnaan dari penelitian tersebut belum ada yang mampu menggantikan kemampuan semantik manusia secara sempurna.
Penggunaan SVM sebagai metode pembelajaran dalam sistem tersebut dapat membantu penentuan hyperplane terbaik yang memisahkan kelas-kelas karakter huruf tulisan tangan. Permasalahannya tingkat akurasi klasifikasi data tersebut menjadi kurang optimal ketika data tulisan tangan yang diuji berbeda jauh dengan sistem yang ada.
Dan dengan menggunakan Biased Regularization pada SVM (BRSVM), tingkat akurasi dari pengujian terhadap data tersebut dapat ditingkatkan dengan cara membiaskan resiko umum yang muncul dari pengenalan tulisan tangan SVM.
Kata Kunci : Hand Writing Recognition , BRSVM, SVM, Biased RegularizationABSTRACT: Computerization technology development takes over the conventional writing method, but this way will survive as long as paper writing is more comfortable and gives the happiness than keyboard writing or PC table writing. For bridging this case with technology development, we need a system to recognize hand writing which is able to change this hand writing become a computer text format. This case encourages a lot of research about hand writing recognition. For this moment, none of those researches are able to replace the perfection rate of human semantic ability.
Using SVM as learning method in the system will helps determination of the best hyperplane which is separating word character classes of hand writing. The problem is the accuracy rate of data classification become not optimal when the testing hand writing data is very different from the existing system.
With using Biased Regularization on SVM (BRSVM), accuracy rate from testing for the data can be increased with refracting the general risk that is appear in hand writing recognition SVM.
Keyword: Hand Writing Recognition, BRSVM, SVM, Biased Regularization