Pengenalan Aksara Jawa dengan Menggunakan Metode Convolutional Neural Network

Christopher Albert Lorentius, Kartika Gunadi, Alvin Nathaniel Tjondrowiguno

Abstract


Penelitian ini bertujuan untuk melatih komputer untuk dapat
mengenali Aksara Jawa. Sebelum penelitian ini, telah ada
beberapa penelitian yang bertujuan serupa dengan metode
pengenalan lain. Pada penelitian ini dicoba dengan
menggunakan metode Convolutional Neural Network (CNN).
Proses untuk mengenali Aksara Jawa memiliki tingkat kesulitan
sendiri dalam hal mengumpulkan data – data yang akan
digunakan untuk proses pelatihan pengenalan Aksara Jawa.
Secara garis besar, proses pengenalan huruf Jawa dapat dibagi
menjadi 3 bagian, yaitu : segmentasi gambar dari dokumen
beraksara Jawa, ekstraksi fitur – fitur dari setiap aksara Jawa,
dan pengenalan aksara Jawa dari fitur – fitur yang telah di
ekstraksi. Gambar yang telah disegmentasi akan menjadi input
untuk di fitur ekstraksi dan diklasifikasi. Setelah gambar telah
disegmentasi, gambar tersebut akan di-training-kan
menggunakan CNN model tertentu yang telah dibuat. Proses
fitur ekstraksi pada deep learning (CNN) tergabung di dalam
proses convolution yang dilakukan. Aplikasi pengenalan aksara
Jawa ini dibuat menggunakan bahasa pemrograman Python.
Hasil pengujian dengan menggunakan metode Convolutional
Neural Network (CNN) terhadap data testing Aksara Jawa yang
telah disiapkan mencapai hasil akurasi 95,04%.


Keywords


Javanese letter; Convolutional Neural Network; CNN

Full Text:

PDF

References


——, Region-based convolutional networks for accurate

object detection and segmentation. 2016. IEEE transactions

on pattern analysis and machine intelligence, vol. 38, no. 1,

pp. 142–158.

Afakh, M. L., Risnumawan A., Anggraeni M. E. 2017.

Aksara Jawa Text Detection in Scene Images using

Convolutional Neural Network. Politeknik Elektronika

Negeri Surabaya.

Dadang, W. 2018. Memahami Kecerdasan Buatan berupa

Deep Learning dan Machine Learning. Retrieved January

, 2019, from

https://warstek.com/2018/02/06/deepmachinelearning/

Farabet, C., Couprie, C., Najman, L., and LeCun, Y. 2013.

Learning hierarchical features for scene labeling. IEEE

transactions on pattern analysis and machine intelligence,

vol. 35, no. 8, pp. 1915–1929.

Felzenszwalb, P. F., Girshick, R. B., McAllester, D., and

Ramanan, D. Object detection with discriminatively trained

part-based models. 2010 IEEE transactions on pattern

analysis and machine intelligence, vol.32, no. 9, pp. 1627–

Girshick, R. Fast r-cnn. 2015. Proceedings of the IEEE

International Conference on Computer Vision, pp. 1440–

Girshick, R., Donahue, J., Darrell, T., and Malik, J. Rich

feature hierarchies for accurate object detection and

semantic segmentation. 2014. Proceedings of the IEEE

conference on computer vision and pattern recognition, pp.

–587.

Graves, A., Liwicki, M., Fernández, S., Bertolami, R.,

Bunke, H., and Schmidhuber, J. 2009. A novel

connectionist system for unconstrained handwriting

recognition. IEEE transactions on pattern analysis and

machine intelligence, vol. 31, no. 5, pp. 855–868.

Keras Documentation. Keras: The Python Deep Learning

Library. Retrieved January 4, 2019, from https://keras.io/

Krizhevsky, A., Sutskever, I., and Hinton, G. E. 2012.

Imagenet classification with deep convolutional neural

networks in Advances in neural information processing

systems. pp. 1097–1105.

LeCun, Y., Bengio, Y., and Hinton, G. Deep learning.

Nature, vol. 521, no. 7553, pp. 436–444.

Mardianto S., 2015. Aplikasi Segmentasi Huruf Jawa.

Teknik Informatika - Universitas Kristen Petra, Surabaya.

Mohamed, A. R., Dahl, G. E., and Hinton, G. Acoustic

modeling using deep belief networks. 2012. IEEE

Transactions on Audio, Speech, and Language Processing,

vol. 20, no. 1, pp. 14–22.

Noprianto. 2002. Python & Pemrograman Linux.

Yogyakarta: ANDI.

Paoletti, M. E., Haut, J.M., Plaza J., & Plaza A. (2017). “A

new deep convolutional neural network for fast

hyperspectral image classification”, ISPRS Journal of

Photogrammetry and Remote Sensing, 16

Simonyan, K., and Zisserman, A. Very deep convolutional

networks for large-scale image recognition. 2014. arXiv

preprint arXiv:1409.1556.

Sulistijono, I. A., and Risnumawan, A. 2016. From

concrete to abstract: Multi layer neural networks for

disaster victims detection. International Electronics

Symposium (IES). IEEE, pp. 93–98.

Wikipedia. 2002. Python (Programming Language).

Retrieved January 4, 2019, from

https://en.wikipedia.org/wiki/Python_(programming_langu

age)/

Wikipedia. 2015. TensorFlow. Retrieved January 4, 2019,

from https://en.wikipedia.org/wiki/TensorFlow/


Refbacks

  • There are currently no refbacks.


Jurnal telah terindeks oleh :