Kombinasi Metode Interest Point Dalam Proses Segmentasi Dan City_Block Dalam Proses Pengenalan Huruf Hijaiyyah Pada Tulisan Cetak Arab Bersambung

Huruf Arab disebut juga sebagai Huruf Hijaiyyah yang terdiri dari 29 huruf. Huruf Arab memiliki keunikan tersendiri dibandingkan huruf lainnya. Keunikan tersebut diantaranya bentuk huruf dan cara bacanya yang jauh berbeda dibandingkan huruf-huruf lainnya. Bentuk Huruf Arab terbagi menjadi 4 yaitu ketika berada di awal kata, tengah kata, akhir kata, dan ketika huruf tersebut berdiri sendiri (isolated). Untuk mengenali setiap Huruf Arab dalam suatu kata atau kalimat yang tersambung terlebih dahulu kita harus memisah setiap karakter atau hurufnya. Pemisahan Huruf Arab yang tersambung merupakan bagian yang sulit di bidang Computer Vision. Masalah terbesar dalam proses segmentasi tulisan arab yang tersambung adalah memecah setiap karakter dengan posisi dan ukuran setiap karakter yang berbeda. Pada penelitian ini, interest point digunakan sebagai acuan pemotongan huruf dalam proses segmentasi. Interest point dibangun dengan 9 Rules persimpangan yang telah ditentukan. Data yang digunakan dalam penelitian ini adalah Surah Al-Fatihah dengan font Arial, Times New Roman, dan Courier New ukuran 72 pt. Dari hasil yang didapatkan dari proses segmentasi, sistem mendapatkan tingkat akurasi 92.31% untuk font Arial, 92.17% untuk font Times New Roman, dan 78.92% untuk font Courier New. Setelah setiap huruf terpisah, proses selanjutnya adalah pengenalan. Proses pengenalan dalam penelitian ini menggunakan metode city_block dengan pengambilan fitur (ekstraksi fitur) menggunakan kombinasi fitur, kemudian metode pengenalan kedua menggunakan Learning Vector Quantization (LVQ). Dari kedua metode pengenalan tersebut, hasilnya dibandingkan untuk mengetahui metode manakah yang lebih baik. Dari hasil yang didapat, metode city_block dengan pengambilan fitur (ekstraksi fitur) menggunakan kombinasi fitur 1 menghasilkan tingkat akurasi sebesar 82.7% untuk Arial dan 77.50% untuk Times New Roman dengan kesamaan fitur 70%, Dan akurasi yang diperoleh dari metode City_Block menggunakan Feature Combination 2 untuk font Arial, Times New Roman, Courier New secara berturut-turut yaitu sebesar 32.24%, 32.50%, dan 20.65% untuk kesamaan fitur 70%, sedangkan untuk metode Learning Vector Quantization (LVQ) menghasilkan tingkat akurasi sebesar 9.27% untuk font Arial, 8.75% untuk font Times New Roman, dan 7.65% untuk font Courier New