Pengenalan Pola Aksara Sunda dengan Metode Convolutional Neural Network
Abstract
Aksara Sunda merupakan huruf yang digunakan oleh suku Sunda untuk menuliskan kata-kata yang digunakan
dalam bahasa Sunda. Aksara Sunda mempunyai beberapa jenis aksara yaitu aksara khusus, rarangkѐn, pasangan,
aksara ngalagena dan aksara swara. Pada zaman sekarang banyak remaja menganggap Aksara Sunda sulit untuk
dipelajari karena bentuknya unik dan cukup rumit. Sehingga, dibutuhkan suatu pendekatan dalam penyelesaian
permasalahan ini. Salah satu pendekatan untuk menyelesaikan masalah ini adalah pengenalan suatu citra dengan
menggunakan metode Convolutional Neural Network(CNN). CNN mampu melakukan proses pembelajaran
mandiri untuk pengenalan objek, ekstraksi objek dan klasifikasi. Berdasarkan penelitian yang telah dilakukan
dengan menggunakan empat jenis pengujian, pengujian citra dari citra yang diambil dari buku elektronik
didapatkan akurasi 72.4%, citra dari citra font komputer didapatkan akurasi 100.0%, citra dari tulisan tangan
responden yang diambil menggunakan kamera ponsel cerdas didapatkan akurasi 84.4%, dan pengujian citra dari
tulisan tangan responden yang diambil menggunakan pemindai didapatkan akurasi 85.5%. Maka berdasarkan
hasil uji citra, metode CNN mampu mengklasifikasi dalam mengenali citra Aksara Sunda.
References
Dinas Pendidik. Provinsi Jawa Barat, 2008.
[2] I. Faturrahman et al., “Pengenalan pola huruf hijaiyah khat kufi dengan metode deteksi tepi sobel
berbasis jaringan syaraf tiruan backpropagation,” Tek. Inform., vol. 11, no. 1, pp. 37–46, 2018.
[3] R. Dani, A. Sugiharto, and G. A. Winara, “Aplikasi Pengolahan Citra Dalam Pengenalan Pola
Huruf Ngalagena Menggunakan MATLAB,” Konf. Nas. Sist. Inform., pp. 9–10, 2015.
[4] M. Hasibuan, Hidayat, “Desain dan Implementasi Sistem Penerjemah Aksara Jawa Kehuruf
Latin Berbasis Pengolahan Citra Digital dan Jaringan Syaraf Tiruan Self-Organizing Map
(SOM),” Tek. Telekomun. Fak. Tek. Elektro, Univ. Telkom, 2011.
[5] N. Ridwan, “Pengenalan Aksara Lontara Tulis Tangan Menggunakan Metode Convolutional
Neural Networks Berbasis Android,” J. Inform. Vol.18, No. 1, juni 2018, vol. 18, no. 1, 2018.
[6] C. K. Dewa and A. L. Fadhilah, “Convolutional Neural Networks for Handwritten Javanese
Character Recognition,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 12, no. 1, pp. 83–94,
2018.
[7] L. Deng and D. Yu, “Deep Learning : Methods and Applications,” Microsoft Res., 2013.
[8] I. W. Suartika E.P, A. Y. Wijaya, and R. Soelaiman, “Klasifikasi Citra Menggunakan
Convolutional Neural Network ( Cnn ) pada Caltech 101,” J. Tek. ITS, vol. 5, no. 1, 2016.
[9] Y. Lecun, L. Bottou, Y. Bengio, and P. Ha, “Gradient-Based Learning Applied to Document
Recognition,” Proc. IEEE, vol. 86(11), no. November, pp. 1–46, 1998.
[10] A. Krizhevsky and G. E. Hinton, “ImageNet Classification with Deep Convolutional Neural
Networks,” Adv. Neural Inf. Process. Syst., vol. pp. 1097-1, pp. 1–9, 2012.
[11] M. Zufar, “Convolutional Neural Networks untuk Pengenalan Wajah Secara Real - Time,” J.
Sains dan Seni ITS, vol. 5, no. 2, pp. 72–77, 2016.
[12] T. Djatna, M. Kusuma, D. Hardhienata, A. Fitri, and N. Masruriyah, “An intuitionistic fuzzy
diagnosis analytics for stroke disease,” J. Big Data, 2018.
[13] I. D. Ananto and Murinto, “Aplikasi Pengolahan Citra Mendeteksi Kualitas Cabai Berdasarkan
Tingkat Kematangan Menggunakan Transformasi Warna YCbCr 1,” J. Sarj. Tek. Inform., vol.
3, pp. 283–293, 2015.
