Penerapan Convolutional Neural Network (CNN) pada Pengenalan Aksara Lampung Berbasis Optical Character Recognition (OCR)

Agus Mulyanto, Erlina Susanti, Farli Rossi, Wajiran Wajiran, Rohmat Indra Borman

Abstract


Provinsi Lampung memiliki bahasa dan aksara daerah yang disebut juga dengan Had Lampung atau KaGaNga yang merupakan aksara asli lampung. Melihat bagaimana pentingnya nilai akan eksistensi sebuah budaya dan pentingnya pelestarian aksara lampung maka dibutuhkan teknologi yang membantu dalam mengenalkan aksara lampung, salah satunya dengan teknologi optical character recognition (OCR) yang digunakan untuk merubah citra kedalam teks. Untuk mengenali pola citra Aksara Lampung dan klasifikasi model maka digunakan Convolutional Neural Network (CNN). CNN memiliki lapisan convolution yang terbentuk dari beberapa gabungan lapisan konvolusi, lapisan pooling dan lapisan fully connected. Pada peneilitian yang dilakukan dataset dikembangkan dengan pengumpulan hasil tulis tangan dari sampel responden yang telah ditentukan, kemudian dilakukan scanning gambar. Selanjutnya, dilakukan proses pelabelan dan disimpan dengan format YOLO yaitu TXT. Dari asitektur CNN yang dibangun berdasarkan hasil evaluasi menunjukan loss, accuracy menghasilkan nilai training accuracy mendapatkan nilai sebesar 0.57 dan precision mendapatkan nilai sebesar 0.87. Dari hasil nilai accuracy dan precision menunjukkan bahwa model training sudah baik karena mendekati angka 1.

Keywords


aksara lampung; computer vision; cnn; deep learning; ocr

Full Text:

PDF

References


D. Fitriati, “Pemeriksa Jawaban Tulisan Tangan untuk Ujian Pilihan Ganda Menggunakan Hybrid Extreme Learning Convolutional Neural Network Machine,” J. Media Infotama, vol. 15, no. 1, pp. 22–28, 2019.

A. Mulyanto, A. Apriyadi, and P. Prasetyawan, “Rancang Bangun Game Edukasi ‘Matching Aksara Lampung’ Berbasis Smartphone Android,” Comput. Eng. Sci. Syst. J., vol. 3, no. 1, p. 36, 2018.

S. Ningsih and S. Saniati, “Eksperimen Pengenalan Ucapan Aksara Lampung Dengan CMU Sphinx 4,” J. Teknoinfo, vol. 12, no. 1, p. 33, 2018.

Z. Abidin, “Penerapan Neural Machine Translation untuk Eksperimen Penerjemahan secara Otomatis pada Bahasa Lampung – Indonesia,” Pros. Semin. Nas. Metod. Kuantitatif 2017, no. 978, pp. 53–68, 2017.

A. Setiawan, H. Sujaini, and A. Bijaksana Pn, “Implementasi Optical Character Recognition (OCR) pada Mesin Penerjemah Bahasa Indonesia ke Bahasa Inggris,” J. Sist. dan Teknol. Inf., vol. 5, no. 2, pp. 135–141, 2017.

H. Oktavianto and H. W. Sulistyo, “Optical Character Recognition Untuk Ekstraksi Teks Rambu Lalu Lintas,” JUSTINDO (Jurnal Sist. Teknol. Inf. Indones., vol. 3, no. 1, pp. 15–21, 2018.

R. I. Borman and B. Priyopradono, “Implementasi Penerjemah Bahasa Isyarat Pada Bahasa Isyarat Indonesia ( BISINDO ) Dengan Metode Principal Component Analysis ( PCA ),” J. Pengemb. IT, vol. 03, no. 1, pp. 103–108, 2018.

S. Hartanto, A. Sugiharto, and S. N. Endah, “Optical Character Recognition Menggunakan Algoritma Template Matching Correlation,” J. Masy. Inform., vol. 5, no. 9, pp. 1–11, 2015.

M. M. Taslim, K. Gunadi, and A. N. Tjondrowiguno, “Deteksi Rumus Matematika pada Halaman Dokumen Digital dengan Metode Convolutional Neural Network,” J. Infra, vol. 7, no. 2, pp. 123–129, 2019.

S. M. A. Sharif, N. Mohammed, N. Mansoor, and S. Momen, “A hybrid deep model with HOG features for Bangla handwritten numeral classification,” in Proceedings of 9th International Conference on Electrical and Computer Engineering, ICECE 2016, 2017, no. February 2018, pp. 463–466.

A. Mulyanto, R. I. Borman, P. Prasetyawana, and A. Sumarudin, “2D Lidar and Camera Fusion for Object Detection and Object Distance Measurement of ADAS Using Robotic Operating System ( ROS ),” vol. 4, pp. 231–236.

W. A. Saputra, M. Z. Naf’an, and A. Nurrochman, “Implementasi Keras Library dan Convolutional Neural Network Pada Konversi Formulir Pendaftaran Siswa,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 1, no. 10, pp. 524–531, 2019.

C. A. Lorentius, R. Adipranata, and A. Tjondrowiguno, “Pengenalan Aksara Jawa dengan Menggunakan Metode Convolutional Neural Network,” e-Proceeding Eng., vol. 7, no. 1, pp. 2558–2567, 2020.

B. P. Putra, B. Irawan, C. Setianingsih, F. T. Elektro, U. Telkom, and D. Learning, “Deteksi Ujaran Kebencian Dengan Menggunakan Algoritma Convolutional Neural Network Pada Gambar,” e-Proceeding Eng., vol. 5, no. 2, pp. 2395–2402, 2018.

F. Ilham and N. Rochmawati, “Transliterasi Aksara Jawa Tulisan Tangan ke Tulisan Latin Menggunakan CNN,” JINACS, vol. 1, no. 4, pp. 200–208, 2020.

D. Alita, Y. Fernando, and H. Sulistiani, “Implementasi Algoritma Multiclass Svm Pada Opini Publik Berbahasa Indonesia Di Twitter,” J. TEKNOKOMPAK, vol. 14, no. 2, p. 86, 2020.

I. G. R. A. Sugiartha, M. Sudarma, and I. M. O. Widyantara, “Ekstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered-Based Retrieval of Images (CLUE),” Maj. Ilm. Teknol. Elektro, vol. 16, no. 1, p. 85, 2016.

M. M. Saufi, M. A. Zamanhuri, N. Mohammad, and Z. Ibrahim, “Deep learning for roman handwritten character recognition,” Indones. J. Electr. Eng. Comput. Sci., vol. 12, no. 2, pp. 455–460, 2018.

N. Srivastava, H. Geoffrey, A. Krizhevsky, S. Ilya, and R. Salakhutdinov, “Dropout: A Simple Way to Prevent Neural Networks from Overfittin,” J. Mach. Learn. Res., vol. 15, pp. 345–350, 2014.

L. A. Andika, P. A. N. Azizah, and R. Respatiwulan, “Analisis Sentimen Masyarakat terhadap Hasil Quick Count Pemilihan Presiden Indonesia 2019 pada Media Sosial Twitter Menggunakan Metode Naive Bayes Classifier,” Indones. J. Appl. Stat., vol. 2, no. 1, p. 34, 2019.

P. Prasetyawan, I. Ahmad, R. I. Borman, A. Ardiansyah, Y. A. Pahlevi, and D. E. Kurniawan, “Classification of the Period Undergraduate Study Using Back-propagation Neural Network,” in Proceedings of the 2018 International Conference on Applied Engineering, ICAE 2018, 2018.




DOI: http://dx.doi.org/10.26418/jp.v7i1.44133

Refbacks

  • There are currently no refbacks.