Cover Image

Studi Banding Implementasi Metode Hidden Markov Model dalam Pengenalan Tulisan Tangan

Main Author: Miftahul Amri, Muhammad
Format: Article info application/pdf Journal
Bahasa: eng
Terbitan: The Indonesian Institute of Science and Technology Research , 2022
Subjects:
Hidden Markov Model
Proses Tersembunyi
Pengenalan Tulisan
Proses Markov
Pengolahan Citra
Online Access: https://journal.iistr.org/index.php/JGI/article/view/26
https://journal.iistr.org/index.php/JGI/article/view/26/21
ctrlnum article-26
fullrecord <?xml version="1.0"?> <dc schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/ http://www.openarchives.org/OAI/2.0/oai_dc.xsd"><title lang="en-US">Studi Banding Implementasi Metode Hidden Markov Model dalam Pengenalan Tulisan Tangan</title><creator>Miftahul Amri, Muhammad</creator><subject lang="en-US">Hidden Markov Model</subject><subject lang="en-US">Proses Tersembunyi</subject><subject lang="en-US">Pengenalan Tulisan</subject><subject lang="en-US">Proses Markov</subject><subject lang="en-US">Pengolahan Citra</subject><description lang="en-US">Hidden Markov Model (HMM) adalah model distribusi yang menghasilkan observasi yang bergantung pada keadaan pokok dan tidak dapat diamati (tersembunyi) pada Proses Markov. Metode pemodelan ini dapat diterapkan pada berbagai aplikasi secara fleksibel untuk data time series univariat dan multivariat, terutama untuk series dengan nilai diskrit, termasuk series pengelompokan dan series perhitungan. [1] HMM dapat digunakan untuk memprediksi kemungkinan demonstrasi massa, mengenali ekspresi wajah seseorang, seismokardiograf, dsb. Penggunaan metode HMM untuk pengenalan tulisan tangan telah sering dilakukan. Namun dari berbagai penelitian yang telah dilakukan, terdapat perbedaan metode ekstraksi fitur maupun metode pelatihan. Paper ini bertujuan untuk mengetahui metode dan parameter dari HMM yang menghasilkan performa terbaik dalam pengenalan tulisan tangan. Berdasarkan hasil perbandingan penelitian yang telah dilakukan sebelumnya [7, 8, 9, 10, 11, 12], didapatkan kombinasi metode yang paling optimal adalah ekstraksi 24 fitur meliputi kerapatan piksel hitam, posisi vertikal &amp;amp; horizontal piksel hitam, serta arah (kecekungan) piksel dengan batas ambang adaptif. Kemudian nilai tersebut diolah dengan menggunakan kombinasi planar HMM (hybrid) dan advanced HMM yang bersifat adaptif. Semakin banyak jumlah state dan sampel data, maka akurasi pengenalan akan semakin baik. Namun, waktu komputasi juga akan semakin lama. Maka, jumlah state dan sampel yang paling optimal perlu ditentukan melalui simulasi dan eksperimen.</description><publisher lang="en-US">The Indonesian Institute of Science and Technology Research</publisher><date>2022-08-03</date><type>Journal:Article</type><type>Other:info:eu-repo/semantics/publishedVersion</type><type>Journal:Article</type><type>File:application/pdf</type><identifier>https://journal.iistr.org/index.php/JGI/article/view/26</identifier><identifier>10.56741/jgi.v1i01.26</identifier><source lang="en-US">Jurnal Genesis Indonesia; Vol. 1 No. 01 (2022): Jurnal Genesis Indonesia; 42-54</source><source>2962-1666</source><source>2962-5750</source><source>10.56741/jgi.v1i01</source><language>eng</language><relation>https://journal.iistr.org/index.php/JGI/article/view/26/21</relation><rights lang="en-US">Copyright (c) 2022 Muhammad Miftahul Amri</rights><rights lang="en-US">https://creativecommons.org/licenses/by-sa/4.0</rights><recordID>article-26</recordID></dc>
language eng
format Journal:Article
Journal
Other:info:eu-repo/semantics/publishedVersion
Other
File:application/pdf
File
Journal:Journal
author Miftahul Amri, Muhammad
title Studi Banding Implementasi Metode Hidden Markov Model dalam Pengenalan Tulisan Tangan
publisher The Indonesian Institute of Science and Technology Research
publishDate 2022
topic Hidden Markov Model
Proses Tersembunyi
Pengenalan Tulisan
Proses Markov
Pengolahan Citra
url https://journal.iistr.org/index.php/JGI/article/view/26
https://journal.iistr.org/index.php/JGI/article/view/26/21
contents Hidden Markov Model (HMM) adalah model distribusi yang menghasilkan observasi yang bergantung pada keadaan pokok dan tidak dapat diamati (tersembunyi) pada Proses Markov. Metode pemodelan ini dapat diterapkan pada berbagai aplikasi secara fleksibel untuk data time series univariat dan multivariat, terutama untuk series dengan nilai diskrit, termasuk series pengelompokan dan series perhitungan. [1] HMM dapat digunakan untuk memprediksi kemungkinan demonstrasi massa, mengenali ekspresi wajah seseorang, seismokardiograf, dsb. Penggunaan metode HMM untuk pengenalan tulisan tangan telah sering dilakukan. Namun dari berbagai penelitian yang telah dilakukan, terdapat perbedaan metode ekstraksi fitur maupun metode pelatihan. Paper ini bertujuan untuk mengetahui metode dan parameter dari HMM yang menghasilkan performa terbaik dalam pengenalan tulisan tangan. Berdasarkan hasil perbandingan penelitian yang telah dilakukan sebelumnya [7, 8, 9, 10, 11, 12], didapatkan kombinasi metode yang paling optimal adalah ekstraksi 24 fitur meliputi kerapatan piksel hitam, posisi vertikal &amp; horizontal piksel hitam, serta arah (kecekungan) piksel dengan batas ambang adaptif. Kemudian nilai tersebut diolah dengan menggunakan kombinasi planar HMM (hybrid) dan advanced HMM yang bersifat adaptif. Semakin banyak jumlah state dan sampel data, maka akurasi pengenalan akan semakin baik. Namun, waktu komputasi juga akan semakin lama. Maka, jumlah state dan sampel yang paling optimal perlu ditentukan melalui simulasi dan eksperimen.
id IOS20045.article-26
institution Indonesian Institute of Science and Technology Research
institution_id 10707
institution_type library:public
library
library Indonesian Institute of Science and Technology Research (IISTR)
library_id 7954
collection Jurnal Genesis Indonesia
repository_id 20045
subject_area Multidisciplinary
city KOTA YOGYAKARTA
province DAERAH ISTIMEWA YOGYAKARTA
repoId IOS20045
first_indexed 2024-06-11T03:00:47Z
last_indexed 2024-06-11T03:00:47Z
recordtype dc
_version_ 1801532325584961536
score 9.9049015

Lihat Juga