[Review] Jurnal Pengenalan Karakter Alfabet Menggunakan Jaringan Saraf Tiruan

PENGENALAN KARAKTER ALFABET MENGGUNAKAN JARINGAN SARAF TIRUAN

Andi Prasojo Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro

Penelitian tentang pengenalan karakter alfaberis ini menggunakan text hasil generasi komputer sebagai sample dan objek penelitian, berbeda dengan beberapa jurnal yang dibahas sebelumnya yang menggunakan tulisan tangan. Metode klasifikasi yang digunakan adalah Jaringan saraf tiruan perambatan-balik (backpropagation). Backpropagation merupakan salah satu algoritma belajar terpandu (supervised) dengan multi layer. Penulis melaporkan bahwa dalam dalam penelitian yang dilakukannya, jaringan saraf dilatih dengan menggunakan 234 karakter huruf besar untuk  tiap jenis font dan diuji dengan 702 karakter yang terdiri atas 234 karakter data latih dan 468 karakter data baru untuk setiap jenis font. Jenis font yang digunakan dalam penelitian ini adalah Calisto MT, Courier New, Tahoma, dan Time New Roman.

Hasil pengujian menunjukkan arsitektur dan parameter jaringan yang memberikan unjukkerja paling optimal untuk seluruh jenis font adalah 60 neuron pada lapisan tersembunyi, laju pembelajaran 0,01, momentum 0,9 dan iterasi 1000 kali. Prosentase pengenalan dari pelatihan jaringan dengan arsitektur dan parameter jaringan optimal ini untuk data latih dan data baru  masing-masing adalah 100% dan 99,89% dengan jumlah karakter takdikenali untuk data latih  sebanyak 0 karakter dan data baru sebanyak 2 karakter

Prapengolahan

Secara garis besar proses prapengolahan meliputi grayscalling, thresholding, segmentasi, dan resizing. Hasil prose prapengolahan akan menghasilkan citra 2 dimensi bernilai 0 dan 1, dengan ukuran 80×80. Citra ini hanya terdiri dari karakter alfabet saja, karena backgroundnya telah dipisahkan.

Ekstraksi Ciri

Ekstraksi firur menggunakan metode zoning. Citra hasil prapengolahan, dibagi menjadi 16 baris dan 16 kolom. Pada setiap kotak dilakukan penghitungan piksel, bila ditemukan jumlah piksel 1 lebih dari 12  piksel, maka kotak tersebut diberi nilai satu, bila tidak maka kotak tersebut diberi nilai 0. Hasilnya disimpan dalam vektor fitur

Pengujian dilakukan sebanyak 12 kali dengan variasi neuron pada lapisan tersembunyi 18, 60, dan 1000, laju pembelajaran dan momentum 0,01 dengan 0,9  dan 0,1 dengan 0,1, dan iterasi 500 kali dan 1000 kali dengan jumlah karakter 2808 karakter yang terdiri atas 926 karakter data latih dan 1872 karakter baru. Hasil yang didapat sangat tinggi, akurasi tertinggi 100% untuk data latih dan 99,89% untuk data non latih

Review

Penelitian tersebut mengasilkan akurasi yang sangat tinggi dalam mengenali berbagai jenis fort. Metode zoning yang digunakan dalam ektraksi fitur dan Backpropagation sebagai klasifikasi terbukti memberikan hasil akurasi yang tinggi untuk pengenelan karakter. Namun dika diamati karakteristik karakter yang dijadikan sampe penelitian, tiap karakter huruf kapital memiliki karakteristik yang memiliki perbedaan yang besarm berbeda dengan karakter lower case dimana contohnya huruf  “i” memliki kesamaan dengan huruf  “l”,  atau contoh lain huruf  “I” kapital sangat mirip dengan “l” kecil. Aplikasi yang dibuat patut diujicoba juga dengan kasus tersebut, apakah akan memberikan akurasi yang tinggi seperti halnya ketika sample berupa huruf kapital saja.

Di sisi lain, pada karakter alfabetis computer generated text yang digunakan berapapun ukurannya dan posisinya pada gambar, menurut saya tidak akan mempengaruhi hasil keluaran proses pra-pengolahan image. Hasil  pra-pengolahan image akan tetap sama telepas dari ukuran font pada image, atau pososinya pada image, yang akan memberdakan adalah derajat, kemiringan, noise, dan  ketebalan. Ketebalan guratan sendiri akan menjadi sama jika dilakukan thinning atau skeletoning. Akan berbeda halnya jika sample yang digunakan adalah tulisan tangan dimana setiap karakter akan memiliki karakteristik yang berbeda

Leave a Reply

Sumber Pencarian :
metode pengenalan karakter, Pengenalan Karter