Deteksi Keteraturan Tulisan Tangan Menggunakan Local Binary Pattern (LBP) Dan Support Vector Machine (SVM)

Pradana, Dias (2025) Deteksi Keteraturan Tulisan Tangan Menggunakan Local Binary Pattern (LBP) Dan Support Vector Machine (SVM). undergraduate thesis, Universitas Muhammadiyah Gresik.

	Text Halaman Pernyataan Orisinalitas.pdf Download (611kB)
	Text Halaman Pengesahan Skripsi.pdf Download (400kB)
	Text Lembar Persetujuan Publikasi Karya Ilmiah Untuk Kepentingan Akademik.pdf Download (586kB)
	Text Halaman Judul.pdf Download (451kB)
	Text Bab 1.pdf Download (259kB)
	Text Bab 2.pdf Download (734kB)
	Text Bab 3.pdf Download (536kB)
	Text Bab 4.pdf Restricted to Repository staff only Download (542kB)
	Text Bab 5.pdf Download (221kB)
	Text Daftar Pustaka.pdf Download (182kB)
	Text Lampiran.pdf Download (254kB)

Abstract

Tulisan tangan merupakan salah satu bentuk ekspresi motorik manusia yang memiliki karakteristik pola tekstur yang beragam. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi keteraturan tulisan tangan secara offline menggunakan metode Uniform Local Binary Pattern (ULBP) sebagai ekstraksi fitur dan Support Vector Machine (SVM) sebagai metode klasifikasi. Dataset yang digunakan terdiri dari 530 citra tulisan tangan hasil pemindaian, yang terbagi ke dalam dua kelas, yaitu tulisan tangan teratur dan tidak teratur. Tahapan penelitian meliputi proses pra- pengolahan citra, ekstraksi fitur ULBP dengan parameter radius = 1 dan jumlah tetangga = 8 sehingga menghasilkan 59 fitur tekstur, serta proses klasifikasi menggunakan SVM dengan kernel linear, polynomial, dan Radial Basis Function (RBF). Pengujian sistem dilakukan menggunakan beberapa skenario pembagian dataset, yaitu 80%:20%, 70%:30%, dan 60%:40% untuk data latih dan data uji. Selain itu, dilakukan proses tuning parameter SVM pada masing-masing kernel dengan variasi parameter C, gamma, dan degree guna memperoleh konfigurasi model yang optimal. Hasil pengujian menunjukkan bahwa skenario pembagian dataset 80% data latih dan 20% data uji memberikan performa terbaik. Setelah dilakukan tuning parameter, kernel RBF menghasilkan performa klasifikasi yang paling optimal dengan nilai akurasi, precision, recall, dan F1-score yang lebih baik dan seimbang dibandingkan kernel linear dan polynomial. Hasil penelitian menunjukkan bahwa penerapan tuning parameter SVM mampu meningkatkan performa sistem klasifikasi tulisan tangan. Dengan demikian, kombinasi metode ULBP dan SVM yang dioptimasi melalui tuning parameter terbukti efektif dalam mengklasifikasikan keteraturan tulisan tangan.

Item Type:	Thesis (undergraduate)
Uncontrolled Keywords:	Tulisan tangan, Uniform Local Binary Pattern, Support Vector Machine, Tuning parameter, Klasifikasi citra.
Subjects:	Engineering > Informatics Engineering Engineering
Divisions:	Faculty of Engineering > Informatics Engineering Study Program
Depositing User:	Dias Pradana
Date Deposited:	05 May 2026 04:23
Last Modified:	05 May 2026 04:23
URI:	http://eprints.umg.ac.id/id/eprint/15938

Actions (login required)

View Item