ACADSTAFF UGM
| Title | : | Sistem Pengenalan Karakter Aksara Jawa menggunakan Convolutional Neural Network sebagai Upaya Penguatan Budaya Lokal |
| Author | : | |
| Date | : | 0 2020 |
| Abstract | : | Bahasa jawa merupakan bahasa daerah yang paling banyak digunakan di Indonesia. Bahasa jawa memiliki huruf tersendiri yang disebut dengan Aksara Jawa. Saat ini terdapat banyak masyarakat Jawa yang tidak dapat membaca dan menulis Aksara Jawa. Hal ini akan mengikis keberadaan Aksara Jawa dan mempengaruhi kebudayaan Jawa secara umum. Oleh sebab itu, upaya pelestarian budaya sangat penting dilakukan, salah satunya dengan membuat suatu sistem pengenalan karakter Jawa. Penelitian ini selaras dengan prioritas riset UGM terkait penguatan dan pendayagunaan budaya lokal yang telah ditetapkan oleh Komite Riset Senat Akademik UGM tahun 2010. Penelitian ini dilakukan untuk membuat suatu sistem pengenalan karakter Jawa dengan menggunakan metode kecerdasan buatan (artificial intelligence) agar mampu mengenali 120 karakter Aksara Jawa. Sebanyak 15600 karakter Jawa dikumpulkan dari sumber digital (30 set x 120 karakter) dan tulisan tangan (100 set x 120 karakter). Penelitian ini mencoba membandingkan performa model yang dibuat menggunakan tiga model arsitektur Convolutional Neural Network (CNN) dan model hybrid Convolutional Neural Network – Support Vector Machine (CNN- SVM) dengan menambahkan fungsi dropout. Fokus dari penelitian ini adalah menggabungkan kemampuan pembuatan fitur otomatis dari CNN dan memprediksi output kelas menggunakan SVM. Model tersebut menggabungkan keunggulan metode CNN dan SVM untuk mengenali karakter Jawa. Pelatihan model menggunakan fungsi dropout adalah cara yang efektif untuk mengontrol overfitting dengan menghilangkan subset fitur secara acak di setiap proses pelatihan. Untuk mengevaluasi metode, peneletian ini membandingkan model CNN menggunakan tiga arsitektur berbeda dengan model multilayer perceptron (MLP) menggunakan satu hidden layer dan dua hidden layer. Pengujian dilakukan dengan membandingkan semua hasi akurasi dan waktu pelatihan yang diperlukan untuk membangun model. Hasil eksperimen menunjukkan bahwa akurasi dari semua model CNN mengungguli akurasi dari kedua model MLP ketika diuji menggunakan data validasi dan data testing. Akurasi tertinggi menggunakan CNN adalah 98.06% yang diperoleh menggunakan Model CNN 3. Dapat dilihat juga bahwa penambahan hidden neuron ke model MLP dapat sedikit meningkatkan akurasinya. Selanjutnya, pendekatan yang diusulkan dengan metode CNN-SVM mencapai akurasi tertinggi sebesar 98,35% ketika diuji dengan data testing saat menggunakan Model CNN 3 yang digabungkan dengan SVM. Terkait waktu proses pelatihan, MLP dengan satu hidden layer memerlukan waktu pelatihan yang paling sedikit dibanding model lainnya. Di sisi lain, model CNN membutuhkan lebih banyak waktu untuk pelatihan dibandingkan dengan MLP. Waktu pelatihan pada hybrid CNN-SVM meningkat karena SVM membutuhkan waktu untuk pencarian parameter terbaik menggunakan search-grid. |
| Group of Knowledge | : | Ilmu Komputer |
| Original Language | : | Bahasa Indonesia |
| Level | : | Internasional |
| Status | : |