PERBANDINGAN ALGORITMA KLASIFIKASI UNTUK HURUF TULISAN TANGAN

Abstract

Abstrak. Pengenalan tulisan tangan adalah kemampuan komputer untuk mengenali input tulisan tangan dari berbagai sumber seperti dokumen, gambar/foto, layar sentuh, serta alat input lainnya. Pengenalan tulisan tangan dapat dimanfaatkan antara lain untuk pembacaan alamat pada pengiriman paket atau pengenalan tulisan pada sebuah cek bank secara otomatis. Ada tiga metode klasifikasi dasar yang banyak digunakan untuk pengenalan; yakni pohon keputusan, neural network, dan Naïve Bayes. Penelitian ini membandingkan ketiga metode klasifikasi dasar tersebut dan kombinasinya dengan algoritma boosting varian awal AdaBoost.M1 untuk mengklasifikasikan 5605 sampel huruf tulisan tangan. Data input divariasikan dalam 4 komposisi training-test set dan output yang dibandingkan adalah tingkat akurasi dan runtime. Hasil yang didapat menunjukkan bahwa masing-masing algoritma yang diujicoba memiliki keunggulan masing-masing. Algoritma pohon keputusan yang dikombinasikan dengan AdaBoost dapat memberikan peningkatan akurasi hingga 15%, neural network multilayer tanpa boosting mampu memberikan tingkat akurasi yang cukup baik (rata-rata 79.3%), sedangkan Naïve-Bayes tanpa boosting memiliki runtime yang sangat baik (rata-rata 0.8225 detik) dibandingkan dengan kedua algoritma lainnya.

Kata kunci: perbandingan algoritma, klasifikasi huruf tulisan tangan, neural network, pohon keputusan, Naïve Bayes, algoritma boosting.