Abstract
Pengolahan citra digital dewasa ini banyak diaplikasikan di berbagai bidang, seperti kesehatan, pertanian, pemerintahan, dan pendidikan. Optical Character Recognition (OCR) merupakan salah satu objek penelitian citra digital yang terus dikembangkan oleh para peneliti. Proses pengenalan karakter diawali dengan preprocessing untuk perbaikan citra, dilanjutkan dengan segmentasi untuk mengelompokkan objek, kemudian ekstraksi fitur serta pengenalan setiap objek.
Metode ekstraksi fitur yang digunakan pada skripsi ini adalah Momen Invarian, dan training data dengan Case-Based Reasoning (CBR) yang menggunakan K-Nearest Neighbour (KNN) sebagai metode klasifikasinya. Momen Invarian menghasilkan tujuh parameter berupa bilangan riil dari setiap objek citra digital. Kasus-kasus yang telah ada dikumpulkan, dipelajari oleh sistem (CBR), kemudian dikenali dengan klasifikasi K-NN. Metode Momen Invarian mempunyai kelebihan yakni invarian (parameternya tidak terpengaruh) terhadap skala, rotasi, dan translasi.
Hasil yang telah diperoleh melalui implementasi dan pengujian sistem adalah performa sistem cenderung meningkat (membaik) dengan semakin banyaknya data training yang digunakan. Akurasi terbaik yang diperoleh sistem adalah 89,74% dengan data training sebanyak 45 set huruf dan banyak tetangga proses K-NN (K) 26.
