ABSTRAKSI: Membuat mesin atau komputer mngenali tulisan tangan masih merupakan masalah yang terus diteliti di bidang Computer Vision. Angka sendiri tidak bisa dipisahkan dari kehidupan manusia sehingga kemampuan mengenali tulisan tangan berupa angka akan sangat membantu pekerjaan manusia. Berbagai jenis algoritma klasifikasi yang tersedia seperti ANN dan SVM mampu mengenali tulisan tangan, namun kelemahan keduanya terletak pada komplesitas waktu training yang cukup lama.
Random Forest menjadi salah satu algoritma alter natif dan diuji dalam kasus klasifikasi tulisan tangan berupa angka pada Tugas Akhir ini. Random Forest tidak membutuhkan preprocessing khusus dalam pengimpelementasiannya untuk mencapai akurasi yang bagus. Diuji juga performansi Random Forest menggunakan fitur ciri Histogram of Gradient yang sering dipakai untuk mengenali objek dalam citra. Hasil pengujian menunjukkan Random Forest dengan jumlah 10 tree dan vektor ciri HOG yang berukuran mampu mengklasifikasi tulisan tangan berupa angka dalam dataset MNIST dengan akurasi bagus yang mencapai 97% dan waktu training sekitar 4 menit.
KATA KUNCI: random forest , machine learning , computer vision , digit recognitionABSTRACT: Making machines or computer be able to recognize people’s handwritings is still an ongoing research in Computer Vision. Digits themselves are still important parts of the humanity, therefore the ability to recognize handwritten digits will certainly helpful. The general choices for the classification algorithm includes Artifical Neural Network and Support Vector Machines. These algorithms could achieve good accuracy but nevertheless their training complexity are still considered to be high.
Another choice for the algorithm is Random Forest. Random Forest could achieve good results with little or no special preprocessing. In this book, Random Forest was tested with the MNIST handwritten digit dataset. Also tested was the feature vector called Histogram of Oriented Gradient. The result shows that Random Forest coupled with HOG could achieve good accuracy, as high as 97% with training time of only four minutes long.
KEYWORD: random forest , machine learning , computer vision , digit recognition