Pengenalan karakter merupakan pengenalan pola yang berbentuk karakter seperti huruf dan angka. Permasalahan yang muncul dalam melakukan proses pengenalan karakter pada tulisan adalah bagaimana sebuah metode pengenalan dapat mengenali berbagai karakter pada tulisan.Citra tulisan yang telah disimpan sebagai citra yang diolah agar dapat mengenali karakter huruf dan angka yang ada dalam citra tulisan. Penelitian ini, bertujuan untuk mengimplementasikan metode Learning Vector Quantization pada pengenalan teks multi line. proses yang dilakukan dalam mengenali teks multi line ada beberapa tahap, yaitu preprocessing, pelatihan dan pengenalan menggunakan metode Learning Vector Quantization. Tahap preprocessing dimulai dari binerisasi, penghapusan noise, segmentasi menggunakan Profile Projection, dan normalisasi. Tahap preprocessing dilakukan agar memudahkan pelatihan citra tulisan, hasil setelah dilakukan tahap preprocessing adalah citra tiap karakter pada citra tulisan. Tahap selanjutnya adalah tahap pelatihan dan pengenalan. Pada tahap ini, metode Learning Vector Quantization digunakan untuk mengelompokkan karakter berdasarkan kelas masing-masing sehingga diperoleh bobot akhir. Untuk pengenalan karakter, data uji dihitung jarak minimum terhadap bobot akhir menggunakan Euclidean Distance dan data uji tiap karakter dimasukkan ke dalam masing-masing kelas berdasarkan jarak minimum tersebut. Percobaan yang dilakukan pada pengenalan karakter menggunakan metode Learning Vector Quantization mampu mengenali citra yang berisi citra yang belum dilatih dengan rata-rata 55.11%.

Character recognition is a part of pattern recognition that recognize number and alphabet character form. The main problem in character recognition process in text form is to decide the proper method that fit to this problem.This research concerns in implementation of Learning Vector Quantization Method for Multi Line Teks Recognition. There are a few phase for multi line teks recognition. This recognition process involved preprocessing, training phase, and pattern recognition using Learning Vector Quantization Method. Preprocessing method started with image convertion into binary images, noise removal, segmentation process using Profile Projection, and normalization. Image convertion is needed to optimise computation process. This process produce separate character images from text images. Training and recognition process use Learning Vector Quantization to cluster character based on every class to obtain a final weight value. In character recognition process, minimum distance counted from testing data to final weight use Euclidean Distance and every testing data clustered into separate class based on minimum distance. This research gain an average success rate 55,11% in recognition untrained images database.

Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal