Pengenalan Tulisan Tangan untuk Angka tanpa Pembelajaran

Terdapat banyak metoda pengenalan angka latin tulisan tangan, namun umumnya menggunakan metoda statistik. Ciri dari metoda statistik adalah bahwa sistem tidak pernah mempertimbangkan angka berapa kira-kira yang sedang diolahnya, karena sistem hanya mengandalkan contoh yang diberikan kepadanya lewat pembelajaran. Dalam tulisan ini diusulkan pengenalan angka tulisan tangan tanpa pembelajaran. Tetapi cukup dengan memanfaatkan ciri-ciri spesifik dari angka tersebut yang disebut sebagai properti geometri. Hasil percobaan yang dilakukan menunjukkan bahwa pendekatan ini memiliki kinerja yang lebih baik dari metoda statistik yang ada dan memiliki waktu komputasi yang lebih cepat.

Penelitian tentang pengenalan tulisan tangan khususnya untuk angka dan huruf latin, merupakan salah satu bahasan dalam pengembangan teknik pengenalan pola yang masih berkembang saat ini. Penelitian ini mulai diminati sejak tahun 1990-an, semenjak dipopulerkan oleh Prof. Ching Yee Suen [2] berbagai penelitian dilakukan untuk mengenali berbagai bentuk tulisan tangan. Perkembangan konsep pengenalan tulisan tangan saat ini yang paling banyak adalah konsep yang menggunakan metoda statistik. Ciri utama dari penggunaan dari metoda statistik adalah sistem yang dikembangkan tidak memperhitungkan atau mempertimbangkan bentuk tulisan atau objek yang sedang diolah atau dikenalinya. Sistem yang dikembangkan dengan menggunakan metoda statistik hanya berpedoman pada contoh pola dari sampel yang di ajarkan kepadanya, dan didalam proses ekstraksi cirinya pun secara umum tidak menggunakan ciri – ciri fisik yang bisa diamati oleh mata manusia [1].

Pembelajaran seperti ini akan membutuhkan banyak data untuk proses pembelajarannya, untuk beberpa kasus penggunaan metode statistik ini sangat efisien dan memiliki tingkat keakuratan yang tinggi [1,3]. Namun dengan semakin banyaknya data inipun ternyata tidak membuat sistem pembelajaran dengan menggunakan metode statistik ini akan menjadi lebih baik, malah akan semakin sulit dalam mengenali, ini dikarenakan semakin banyak data yang digunakan dalam pembelajaran, maka proses pencarian pun akan semakin spesifik sehingga membutuhkan waktu dan biaya yang lebih banyak dan objek yang diperlukanpun belum tentu didapatkan.

Beberapa penelitian telah dilakukan dalam mengenali berbagai bentuk tulisan tangan. Baik itu dalam bentuk tulisan latin maupun dalam bentuk tulisan lain seperti bahasa yang digunakan pada Negara Arab [7,8], Jepang, China [6], Korea, Spanyol [13], dan berbagai Negara lain yang tidak menggunakan tulisan latin sebagai tulisannya. Berbagai pengembangan metode sintaktik telah dilakukan untuk pengenalan tulisan tangan ini, seperti, Pengenalan huruf Arab yang menggunakan adaptive slant correction algorithm dan polygonal approximation algorithm dalam fungsi fuzzy [10], handwriting model for syntactic recognition of cursive script [9]. Penggunaan markov model [12] pun juga sangat gemar digunakan saat ini. Berbagai sistem pengenalan tulisan baik itu tulisan cetak komputer ataupun tulisan tangan, sudah sangat berkembang dengan memanfaatkan konsep marcov model.

SEDIKIT TENTANG PENGENALAN POLA

1.Apa Itu Pengenalan Pola (Pattern Recognition)?
 
Pengenalan Pola (Pattern Recognition) dapat diartikan dengan segala kegiatan yang dilakukan untuk pengambilan keputusan atau kesimpulan berdasarkan pola - pola kompleks objek atau informasi (Ripley:1996). Pengenalan Pola ini mulai dilakukan sejak data digital ditemukan, masalah pengenalan dan pencarian pola pada data digital merupakan salah satu pengetahuan fundamental dan memiliki banyak sejarah pengembangan dan kesuksesan, banyak ilmuan melakukan berbagai penelitian untuk mengembangkan metode metode baru untuk mempermudah pengenalan untuk berbagai pola objek. Beberapa contoh pengenalan pola yang telah dilakukan seperti pengenalan wajah, fingerprint, pola permainan catur, retina mata, peramalan cuaca, bahkan dalam lingkup perekonomianpun pengenalan pola digunakan, seperti dalam peramalan kurs mata uang, harga saham, dan banyak lagi penggunaan pengenalan pola yang telah diterapkan.

Pada intinya prinsip penganalan pola ini mengikuti prinsip kerja otak manusia dalam mengenali dan menyimpulkan tentang berbagai objek yang ditangkap oleh panca indra manusia, khususnya mata untuk citra dan telinga untuk suara, Secara alamiah setiap manusia dari awal ia dilahirkan ia telah melakukan berbagai pengenalan pola, seperti mengenal suara ibu, suara ayah, gambar – gambar yang berbentuk hewan, tumbuhan, manusia dan benda – benda lain, kemudian saat mulai memasuki sekolah ia dikenalkan dengan huruf – huruf selanjutnya dengan pola angka, bangun datar, bangun ruang dan berbagai bentuk dan bunyi lainnya, sehingga dari segi ruang lingkup pengenalan pola itu sendiri dapat kita simpulkan bahwa wilayah pengenalan pola sangat luas, pengenalan pola bisa bisa dilakukan dalam proses apa saja selagi itu bisa ditangkap oleh pancaindra manusia.

Saat suatu objek dikenalkan kepada manusia, maka otak manusia akan langsung melakukan pengenalan objek tersebut, sehingga jika ditemukan objek lain yang berpola seperti objek tersebut, dan otak manusia bisa menyimpulkan benda apa yang ditemukan itu. Cara kerja otak inilah yang diformulasikan, sehingga menjadi beberapa method yang diterapkan pada sistem terkomputerisasi. Kemampuan otak manusia seperti inilah yang di teliti oleh para ahli tentang, bagaimana cara mengenalnya, membandingkannya dan pencariannya, sehingga bisa menyimpulkan objek apa yang ditemukan tersebut.

2.Perkembangan Metode Pengenalan Pola

Metode pengenalan pola berkembang dari pengenalan benda yang jelas bentuk dan posisinya, dan sampai sekarang yang sedang dikembangkan adalah pengenalan pola – pola objek yang sangat kompleks, kompleks posisinya, kompleks bentuknya, kompleks susunannya, bahkan jumlahnya pun harus jadi pertimbangan, seperti pengenalan objek yang mampu dilakukan oleh panca indra.

Permasalahan yang terjadi dalam pengenalan pola sekarang adalah terbatasnya kemampuan sebuah sistem dalam melakukan pengenalan berbagai pola objek, sebuah sistem hanya akan mampu mengenali beberapa objek saja, dan itu pun harus melewati berbagai pelatihan – pelatihan tertentu agar sistem mampu mengenali objek tersebut, seperti pada pengenalan objek pada data citra digital, baik itu berupa image atau video. Di dalam image atau video tersebut bisa saja terdapat informasi – informasi lain dari objek – objek yang belum dikenalkan pada sistem tersebut. Jika dibuat sebuah sistem yang mampu mengenali objek – objek apa saja yang ada di dalam image atau video, maka akan dibutuhkan pelatihan objek yang sangat banyak, karena di dalam data citra itu tidak dapat dipastikan bahwa hanya akan ada satu atau dua objek saja, mungkin bisa lebih, bisa sepuluh, seratus, bahkan ribuan. Banyaknya objek ini akan berdampak pada penggunaan resource yang semakin besar, seperti database, memory, bahkan untuk proses pengenalannya pun akan memakan waktu yang semakin lama, dan semakin banyak pelatihan yang dilakukan pada sistem akan memunculkan galat yang lebih besar, sehingga hasil pengenalannyapun bukan semakin akurat, malah kebalikannya, semakin tidak dikenali.

Oleh sebab itu perlu dikembangkan metoda pengenalan baru dalam pengenalan pola yang mampu mengenali berbagai objek tersebut hanya dengan beberapa pengenalan sample saja, tanpa hatus melakukan pelatihan – pelatihan yang sangat banyak, sistem bisa saja melakukan perhitungan kemiripan data – data tertentu yang dapat ditangkap dari objek tersebut, dan menbandingkannya dengan beberapa objek tertentu yang ada dalam database atau knowledge yang telah ditentukan index datanya.

3.Penerapan Pengenalan Pola
 
Berikut adalah beberapa contoh penerapan pengenalan pola, yang telah dilakukan dan berhasil diterapkan dalam berbagai industri baik itu industri pabrik, kesehatan, keuangan maupun pertahanan antara lain :

1. Sistem pembeda pejalan kaki dan pesepeda di penyebrangan jalan, dikembangkan tahun 1992. (Ripley:1996)
2. Pengklasifikasian Galaksi, apakah Spiral, Ellips, atau lebih Halus.(Ripley:1996)
3. Diagnosa Kelainan Medis.(Ripley:1996)
4. Pembacaan Kode Pos pada amplop surat, yang dilakukan oleh Y. Le Cun dan beberapa peneliti lain pada tahun 1989 dan telah diterapkan di Amerika Serikat.(Le Cun at all:1989)
5. Pembacaan simbol tulisan tangan pada pen pad komputer. (Ripley:1996)
6. Memprediksi habitat yang memungkinkan lalat Tsetse bisa hidup dan berkembang biak pada tahun 1993, oleh B.D.Ripley, O.E.Bandroff-Nielsen dan beberapa peneliti lain di London. (Ripley at all:1993)
7. Peramalan atau memprediksi perdagangan keuangan pada tahun 1995 dengan menggunakan jaringan saraf tiruan atau neural network. (Refenes:1995)
8. Pendeteksian jenis kelamin kepiting genus Leptograpsus pada tahun 1974 oleh Campbell dan Mahon. (Campbell:1974)
9. Pengenalan Pola DNA dan Sidik Jari, yang sekarang sering dipakai di kepolisian dan pemeriksaan DNA di rumah sakit. (Candela at all:1993)
10. Pendeteksi serangan rudal musuh, yang dipakai pada sensor pertahanan serangan rudal jarak jauh pada kapal angkatan laut di berbagai negara. (Ripley:1993)
11. Pembuatan Sistem Penentu Alokasi Kredit pada beberapa Bank yang menentukan layak atau tidakkah pengajuan kredit yang dilakukan nasabah atau perusahaan. (Carter at all:1987)
12. Sistem Pengenalan Wajah, sebagai alat identifikasi selain fingerprint pada beberapa perusahaan atau instansi. (Hsu : 2002)
13. Pengembangan dibidang biomedik seperti EEG,ECG, Röntgen, Tomography, Tissue, Cells, Chromosomes.
14. Meteorolgi (remote sensing).
15. Industrial / Sistem Pabrik.
16. Nuclear System
17. Sistem Inspeksi (robotic vision) ,dan
18. Digital Microscopy

Selain penemuan – penemuan diatas masih banyak lagi penemuan lain yang memamfaatkan prinsip pengenalan pola, dan secara umum dapat dikelompokkan dalam bidang komputer dan informatika yaitu Speech recognition, Speaker identification, Character recognition, Signature verification, Image segmentation dan Artifcial intelligence. (Hamzah:2007)

4.Konsep Dasar Pengenalan Pola

Menurut Belance dan Nebot (2002) secara garis besar rangkaian pengenalan pola itu dapat dilihat pada gambar berikut :

Gambar 1. Skema Kegiatan Pengenalan Pola (Belance dan Nebot : 2002)

• Sensor / Transducer

Sensor atau yang juga dikenal dengan Transducer merupakan alat yang digunakan tahapan pengambilan data dari lingkungan, atau dunia nyata, seperti dalam pengolahan citra datanya itu berupa photo dan sensor atau transducernya itu adalah kamera, dan selanjutnya data itu dikonversi menjadi data digital, agar bisa dilanjutkan ke tahap preprocessing.

• Preprocessing & Enhancement

Preprocessing merupakan tahapan yang dilakukan mempersiapkan data mentah yang didapat dari dunia nyata agar dapat dan layak dipergunakan dalam tahapan pengolahan selanjutnya, ini dikarenakan data real itu umumnya memiliki beberapa masalah seperti, ketidak lengkapan data yang disebabkan kurang akuratnya sensor atau transducer, noisy atau adanya objek – objek pengganggu, dan memposisikan data agar sesuai dengan sarat extraksi fiturnya.

• Feature Extraction

Exraksi Fitur (Feature Extraction) merupakan tahapan pengambilan ciri, atau pola karakteristik dari suatu data atau objek inputan, yang nantinya nilai atau bobot fitur yang didapatkan itu akan diproses dan dianalisa, sehingga dapat menjadi bahan pembeda dari objek – objek lainnya.

• Classification

Secara bahasa Classification berati pengelompokan data berdasarkan kesamaan ciri yang dimiliki oleh data tersebut. Dalam hal ini data hasil extraksi fitur yang memiliki kesamaan dengan data – data lain, akan dikelompokkan dalam klasifikasi tertentu, kegiatan klasifikasi ini merupakan salah satu kegiatan fital dalam pengenalan pola, kesalahan dalam klasifikasi akan menyebabkan kesalahan dalam hasil yang akan dikeluarkan. Sehingga pada bagian klasifikasi ini, banyak sekali metode – metode yang dikembangkan oleh para peneliti, seperti penggunaan fuzzy, neural network, clustering, dan berbagai method – method lain. Hasil klasifikasi biasanya akan disimpan dan akan menjadi penentu untuk klasifikasi selanjutnya.

• Description

Tahapan ini merupakan tahapan penyampaian hasil klasifikasi yang telah dilakukan, apakah objek yang diinputkan itu dikenal atau tidak, dan jika tidak, biasanya sistem akan meminta untuk melakukan pembelajaran ulang terhadap objek tersebut.

Referensi

1. Ripley,B.D. (1996) Pattern Recognition and Neural Network, Cambridge University Press, Cambridge.
2. Bishop, C. (2006) Pattern Recognition and Machine Learning, Springer Science and Business Media, New York.
3. Le Cun, Y., Boser, B., Denker, J.S., Henderson, D., Howard, R.E., Hubbard, W., dan Jackel, L.D. (1989) Backpropagation Applied To Handwritten Zip Code Recognition, Neural Computation 1, hal 541-551.
4. Ripley, B.D. (1993) Statistical Aspects of Neural Network, In Network and Chaos – Staistical and Probabilistik Aspects eds O.E. Bendroff Nielson, J.L. Jensen dan W.S. Kendall, hal 40-123. Chapman & Hall, London.
5. Carter, C., Catlett, J. (1987) Assessing Credit Card Applications Using Machine Learning, IEEE Expert 2(3), hal 71-79.
6. Refernes, A.P. (1995) Neural Networks in Capital Markets, Wiley, Chich-ester.
7. Campbell, N.A., dan Mahon, R.J. (1974) A Multivariate Study of Variation in Two Species Of Rock Crab of Genus Leptograpsus, Australian Journal of Zoology. 22, hal 417-425.
8. Candela, G.T. dan Chellappa, R. (1993, US National Institute of Standards and Tehcnology report NISTIR 5163.
9. Hsu, R.L., Mottalieb, M.A., Jain, A.K (2002) Face Detection in Color Images, IEEE Transaction on Pattern Analysis and Machine Inteligence. 24(5), hal 696-706.
10. Hamzah, A., Widiastuti, N. (2007) Penggunaan Algoritma Genetika dalam Peningkatan Kerja Fuzzy Clustering untuk Pengenalan Pola, Berkala MIPA Institut Sains & Teknologi AKPRIND, Yogyakarta.
11. Belance, L. dan Nebot, A. (2002) Inteligence Data Analysis and Data Mining, Wright State University. Dayton USA.

Sekilas Tentang Algoritma Semut ( AntNet Algorithm )

Algoritma Semut diadopsi dari perilaku koloni semut yang dikenal sebagai sistem semut (Dorigo, 1996). Secara alamiah koloni semut mampu menemukan rute terpendek dalam perjalanan dari sarang ke tempat-tempat sumber makanan. Koloni semut dapat menemukan rute terpendek antara sarang dan sumber makanan berdasarkan jejak kaki pada lintasan yang telah dilalui. Semakin banyak semut yang melalui suatu lintasan, maka akan semakin jelas bekas jejak kakinya. Hal ini akan menyebabkan lintasan yang dilalui semut dalam jumlah sedikit, semakin lama akan semakin berkurang kepadatan semut yang melewatinya, atau bahkan akan tidak dilewati sama sekali. Sebaliknya lintasan yang dilalui semut dalam jumlah banyak, semakin lama akan semakin bertambah kepadatan semut yang melewatinya, atau bahkan semua semut akan melalui lintasan tersebut.

Gambar berikut menujukkan perjalanan semut dalam menemukan jalur terpendek dari sarang ke sumber makanan.

 

 Perjalanan semut menemukan sumber makanan.

Gambar a di atas menunjukkan ada dua kelompok semut yang akan melakukan perjalanan. Satu kelompok bernama L yaitu kepompok yang berangkat dari arah kiri yang merupakan sarang semut dan kelompok lain yang bernama kelompok R yang berangkat dari kanan yang merupakan sumber makanan. Kedua kelompok semut dari titik berangkat sedang dalam posisi pengambilan keputusan jalan sebelah mana yang akan diambil. Kelompok semut L membagi dua kelompok lagi. Sebagian melalui jalan atas dan sebagian melalui jalan bawah. Hal ini juga berlaku pada kelompok semut R. Gambar b dan gambar c menunjukkan bahwa kelompok semut berjalan pada kecepatan yang sama dengan meninggalkan  feromon atau jejak kaki di jalan yang telah dilalui. Feromon yang ditinggalkan oleh kumpulan semut yang melalui jalan atas telah mengalami banyak penguapan karena semut yang melalui jalan atas berjumlah lebih sedikit dari pada jalan yang di bawah. Hal ini dikarenakan jarak yang ditempuh lebih panjang daripada jalan bawah. Sedangkan  feromon yang berada di jalan bawah, penguapannya cenderung lebih lama.  Karena semut yang melalui jalan bawah lebih banyak daripada semut yang melalui jalan atas. Gambar d menunjukkan bahwa semut-semut yang lain pada akhirnya memutuskan untuk melewati jalan bawah karena feromon yang ditinggalkan masih banyak. Sedangkan feromon pada jalan atas sudah banyak menguap sehingga semut-semut tidak memilih jalan atas tersebut. Semakin banyak semut yang melalui jalan bawah maka semakin banyak semut yang mengikutinya.   

Demikian juga dengan jalan atas, semakin sedikit semut yang melalui jalan atas, maka  feromon yang ditinggalkan semakin berkurang bahkan hilang. Dari sinilah kemudian terpilihlah jalur terpendek antara  sarang dan sumber makanan. Dalam algoritma semut, diperlukan beberapa variabel dan langkah-langkah untuk menentukan jalur terpendek, yaitu: 

Langkah 1 :  
a. Inisialisasi harga parameter-parameter algoritma. Parameter-parameter yang di inisialisasikan adalah :  

Backpropagation (Neural Network)

Algoritma pelatihan Backpropagation Neural Network (BPNN) pertama kali dirumuskan oleh Werbos dan dipopulerkan oleh Rumelhart & Mc.Clelland.  Backpropagation neural network merupakan tipe jaringan saraf tiruan yang menggunakan metode pembelajaran terbimbing (supervised learning). Pada supervised learning terdapat pasangan data  input dan  output yang dipakai untuk melatih JST hingga diperoleh bobot penimbang (weight) yang diinginkan. Penimbang itu sendiri adalah sambungan antar lapis dalam JST. Algoritma ini memiliki proses pelatihan yang didasarkan pada interkoneksi yang sederhana, yaitu apabila keluaran memberikan hasil yang salah, maka penimbang dikoreksi agar galat dapat diperkecil dan tanggapan JST selanjutnya diharapkan dapat mendekati nilai yang benar. BPNN juga berkemampuan juga berkemampuan untuk memperbaiki penimbang pada lapis tersembunyi (hidden layer).

Algoritma pelatihan BPNN terdiri dari dua tahap, yaitu feed forward propagation dan feed backward propagation. Secara umum langkah dalam pelatihan JST menggunakan BPNN yang dilengkapi bias dan momentum adalah sebagai berikut :