Studi Banding Implementasi Metode Hidden Markov Model dalam Pengenalan Tulisan Tangan

Abstract

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 & 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.