ABSTRAKSI: Dewasa ini, semakin banyak ditemukan tindak kejahatan dimana seseorang melakukan pemalsuan tanda tangan terhadap dokumen-dokumen penting. Oleh karena itu, untuk menghindari tindak kejahatan tersebut, tulisan tangan mulai dilibatkan untuk menunjukkan keaslian pemilik dokumen tersebut. Dengan melibatkan suatu tulisan tangan yang ditulis langsung oleh seseorang, maka akan sangat sulit bagi para penindak kejahatan untuk memalsukan tulisan tangan tersebut, karena tulisan tangan setiap orang pasti memiliki ciri khas masing-masing, baik dari jenis tulisannya maupun lekukan-lekukan yang dibentuk oleh tangan untuk mengukir tulisan tersebut. Penerapan teknologi pengenalan karakter tulisan tangan akan sangat bermanfaat misalnya untuk pembuktian keaslian tulisan tangan seseorang atau untuk keperluan analisis forensik.
Dalam tugas akhir ini dilaksanakan penelitian proses pengenalan tulisan tangan (handwriting recognition) menggunakan metode Transformasi Wavelet dan proses pengenalan karakter menggunakan metode K-Nearest Neighbor sehingga dapat dibedakan tulisan seseorang dengan tulisan orang lain. Citra masukan yang menjadi input berupa citra dalam format .jpg. Kemudian noise yang timbul pada Citra tulisan tangan ini dihilangkan dengan melakukan proses denoising. Setelah itu dilakukan ekstraksi ciri menggunakan Transformasi wavelet untuk mendapatkan vektor cirinya. Vektor ciri yang dihasilkan menjadi input untuk K-Nearest Neighbor.
Untuk meningkatkan performansi sistem, maka dilakukan pengujian terhadap sistem. Pengujian dilakukan dengan melakukan analisa terhadap beberapa parameter. Parameter-parameter tersebut adalah ukuran blok dan nilai overlap pada block overlapping, mother wavelet dan level dekomposisi pada wavelet, distance dan nilai K pada KNN yang menghasilkan akurasi terbaik pada sistem.
Dari hasil pengujian performansi sistem, maka diketahui bahwa performansi sistem mencapai akurasi tertinggi saat menggunakan sistem dengan ekstraksi ciri satu kalimat dengan ukuran blok yang digunakan 10x10, nilai overlap 7, mother wavelet Haar, level dekomposisi 1, distance city block dan nilai K=3, sehingga diperoleh akurasi sitem sebesar 96,8254% dengan waktu komputasi keseluruhan selama 15,254501 detik.
Kata Kunci : : tulisan tangan, Transformasi Wavelet, K-Nearest Neighbor.ABSTRACT: Today, we found a growing number of crimes where a person have forged the signatures on important documents. Therefore, to avoid crime, handwriting began to be involved to show the authenticity of the document owner. By involving a handwriting that was written directly by a person, it will be very difficult for criminals to forge handwriting, because handwriting of each person must have the characteristics, both from the type of writing and indentations formed by hand to carve the text. The application of handwritten character recognition technology will be very useful, for example to prove the authenticity of a person's handwriting or for forensic analysis.
In this final project, research conducted handwriting recognition process (handwriting recognition) using Wavelet Transformation method and process of character recognition using K-Nearest Neighbor method that can distinguish of handwritting from different person. Input image as .Jpg format. Then the noise arising in the image of the handwriting is eliminated by performing the process of denoising. After feature extraction was performed using the wavelet transform to get the characteristic vectors. The resulting feature vector becomes the input for the K-Nearest Neighbor.
To improve system performance, then tested against the system. Testing is done by performing an analysis of several parameters. These parameters are block size and the overlap in block overlapping, and the mother wavelet in the wavelet decomposition level, distance and value of K in KNN that produces the best accuracy on the system.
From the results of performance testing system, it is known that the system performance to achieve the highest accuracy when using the feature extraction system with a single sentence with 10x10 block size, the overlap 7, mother Haar wavelet, decomposition level 1, the city block distance and the value of K = 3, system in order to obtain accuracy of 96.8254% to the overall computing time for 15.254501 seconds.Keyword: handwritting, Wavelet Transform, K-Nearest Neighbor.