SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION)

Proses simulasi yang dilakukan untuk menghasilkan sebuah sistem pengenalan meliputi beberapa tahap, yaitu tahap pengolahan citra dan tahap pelatihan dan pengenalan. Tahap pengolahan citra dimulai dari Gray Scale, Thresholding, segmentasi, dan normalisasi. Pengolahan citra diperlukan untuk memudahkan pengolahan data gambar sebelum masuk dalam tahap pelatihan. Kemudian tahap kedua adalah pelatihan dan pengenalan. Pada tahap ini, metode LVQ mulai digunakan dan menentukan bobot, target error, maxepoch, dan laju pelatihan (Learning rate). Data yang dijadikan sebagai input adalah citra huruf yang dinormalisasi sehingga berukuran 20x20 dan berekstensi bitmap (.bmp). Simulasi pengenalan tulisan ini dilakukan dalam beberapa tahapan sehingga bisa dengan membuat pengenalan menjadi lebih tajam. Tolak ukur keberhasilan sistem pengenalan tulisan tangan ini adalah dengan menghitung nilai Termination Error Rate dan tingkat keakuratan dalam pengenalan tanda tangan. Dari simulasi ini diperoleh struktur JST dengan jumlah nilai learning rate 0,003 nilai target error 0,00001 dan jumlah epoch sebesar 10.000 karena dalam rentang epoch 1000 sampai 10000 perubahan epoch tidak mempengaruhi kinerja sistem. Sistem yang terbentuk mampu mengenali citra yang berisi huruf yang digunakan sebagai bobot dengan nilai keakuratan rata ? rata sebesar 61,07% dan rata ? rata keakuratan hasil pengenalan terhadap citra yang belum dilakukan pembelajaran sebesar 48,17%.