Pada saat ini, pengambilan, pengiriman, atau pertukaran informasi berupa data sangat dibutuhkan oleh manusia. Karena kehidupan manusia membutuhkan informasi dengan cepat dan tepat, maka data dimanfaatkan dan dimaksimalkan agar tidak memakan banyak kapasitas penyimpanan dalam memori. Dalam hal ini dilakukanlah kompresi yang memiliki beberapa teknik, salah satunya adalah teknik CS (Compressive Sensing / Compressive Sampling).
Pada penelitian ini, CS dikombinasikan dengan pengenalan huruf kapital dan angka tulisan tangan yang nantinya akan dapat diketahui apakah CS menurunkan akurasi deteksi untuk kepemilikan tulisan tangan dan seberapa besar kekuatan CS dalam mengkompresi citra yang bertuliskan huruf kapital dan angka. Untuk mengetahui hal tersebut maka dilakukan tahapan akuisisi citra, preprocessing, CS, rekonstruksi dengan OMP (Orthogonal Matching Pursuit), ekstraksi ciri menggunakan template matching dan terakhir proses pendeteksian menggunakan KNN (K-Nearest Neighbor).
Ketika tahapan sudah dirancang maka dilakukan pengujian dengan beberapa skenario untuk memperoleh skema atau akurasi yang paling baik dengan mengubah-ubah parameter B, L, M×N, dan jumlah data yang diujikan dengan simbol P. Pada proses pengujian ketika parameter M×N semakin besar maka nilai PSNR semakin tinggi, yang mana nilai tertinggi atau nilai optimal PSNR-nya adalah 24.72. Untuk rasio kompresi ketika L setengah dari B^2 maka syarat CS tercapai sehingga nilai kompresi yang didapatkan adalah 0.5.
Hasil pada skenario 1 merupakan akurasi tertinggi dengan nilai rata-rata akurasi optimal mencapai 92.30% dibandingkan dengan 2 skenario lainnya yang nilainya adalah 90.37% dan 77.58%. Sehingga dapat disimpulkan bahwa skema yang paling baik untuk mendeteksi huruf kapital dan angka yang dilakukan Compressive Sensing adalah membandingkan ekstraksi ciri rekonstruksi di pengujian yang sudah pada domain CS yang dibandingkan dengan ekstraksi ciri di pelatihan sebelum di CS dengan nilai mencapai 92.30%.
Kata Kunci: Pengenalan Huruf Tulisan Tangan, Compressive Sensing, Template Matching, K-Nearest Neighbor.