digilib@itb.ac.id +62 812 2508 8800

Pengenalan tulisan tangan on-line (on-line character recognition) menggunakan prinsip pengenalan karakter secara real-time. Pengenalan tulisan tangan pada umumnya terdiri atas dua proses utama yaitu praproses dan pengklasifikasian. Pengklasifikasian dilakukan dengan metode pembelajaran, salah satunya adalah Induct/Ripple-Down Rules (Induct/RDR). Induct/RDR merupakan pengembangan dari Ripple-Down Rules (RDR) yang menggunakan analisis statistik untuk menentukan terpilihnya sebuah kondisi dari kasus masukan, dan selanjutnya menjadi bagian dari struktur pengetahuan yang disusun. Struktur eksepsi RDR akan menangani kondisi khusus suatu kasus tanpa perlu mengubah struktur pengetahuan yang telah terbentuk. Tugas Akhir ini menggunakan data penulisan on-line huruf Jepang HANDS_kuchibue_d-97-06-10 dengan mengambil subset huruf Katakana untuk membangun sistem yang membangkitkan pengetahuan menggunakan Induct/RDR. Praproses dilakukan dengan algoritma sederhana untuk menghasilkan feature berupa jenis segmen, posisi relatif antar segmen, dan kondisi perpotongan antar segmen. Pengujian terhadap sistem KaRe (Katakana Recognizer) yang dibangun di antaranya pengujian terhadap akurasi algoritma praproses dan pengujian terhadap pengetahuan yang berhasil dibangun. Akurasi rata-rata yang dihasilkan adalah sebesar 71,99% untuk algoritma praproses dan 66,41% untuk pengetahuan yang dibangun. Dengan ukuran basis pengetahuan mencapai 2424 rule untuk 6672 kasus masukan. Pengujian terhadap akurasi sampel pengetahuan dengan memeriksa feature yang menyusun rule dan solusi sistem dibandingkan dengan solusi ideal memberi nilai 100%. Dari hasil pengujian dapat disimpulkan bahwa metode Induct/RDR dapat menangani permasalahan pengenalan tulisan tangan. Pengetahuan yang dibangun sangat dipengaruhi oleh feature yang dihasilkan algoritma praproses. Perbaikan algoritma praproses diyakini berpengaruh besar dalam menghasilkan pengetahuan dengan akurasi tinggi. Ukuran jumlah kasus untuk membangun pengetahuan juga berpengaruh pada kenaikan akurasi sistem. Kelemahan dari pengetahuan yang dibangun dengan basis kasus adalah ukurannya yang semakin besar seiring bertambahnya jumlah kasus.