Pengenalan Aksara Batak Toba Menggunakan Modified Direction Feature dan Learning Vector Quantization

Lola Oktavia

doi:10.69693/jesa.v3i2.61

Authors

Lola Oktavia UIN Sultan Syarif Kasim Riau

DOI:

https://doi.org/10.69693/jesa.v3i2.61

Keywords:

Aksara Batak Toba, Ekstraksi Ciri, Learning Vector Quantization (LVQ), Modified Direction Feature (MDF), Thinning

Abstract

Aksara Batak Toba merupakan salah satu warisan budaya Nusantara yang menghadapi tantangan kepunahan akibat minimnya pemahaman masyarakat terhadap huruf dasar (Ina Ni Surat). Pengembangan sistem pengenalan pola tulisan tangan aksara daerah (Optical Character Recognition) sangat krusial untuk pelestarian literasi digital dan edukasi budaya. Penelitian ini bertujuan untuk mengimplementasikan dan menganalisis performa metode Modified Direction Feature (MDF) sebagai ekstraksi ciri arah dan transisi garis, yang dikombinasikan dengan algoritma jaringan syaraf tiruan Learning Vector Quantization (LVQ) untuk klasifikasi karakter Ina Ni Surat. Dataset yang digunakan berjumlah 210 citra tulisan tangan dari 10 penulis berbeda dengan ukuran normalisasi 120 × 120 piksel. Tahapan pra-pengolahan citra meliputi cropping, konversi grayscale, binerisasi, dan thinning kerangka morfologi. Pengujian dilakukan secara sistematis dengan mengevaluasi variasi learning rate (0,001 hingga 0,1) dan rasio pembagian data latih terhadap data uji (90:10 hingga 50:50). Hasil eksperimen menunjukkan bahwa integrasi MDF dan LVQ mampu mengenali aksara Batak Toba dengan akurasi tertinggi sebesar 87% pada rasio data 70:30 dengan learning rate 0,1; 0,07; dan 0,09. Nilai rata-rata akurasi keseluruhan parameter mencapai performa optimal 83,6% pada learning rate 0,07.

Downloads

Download data is not yet available.

References

[1] UNESCO, “Culture for the 2030 agenda,” United Nations Educational, Scientific and Cultural Organization, Paris, France, Rep. CLT-2019/WS/1, 2019.

[2] U. Kozok, Warisan Leluhur: Sastra Lama dan Aksara Batak, 1st ed. Jakarta: Kepustakaan Populer Gramedia, 1999.

[3] K. Amend and M. S. Ruiz, Handwriting Analysis: The Complete Basic Book, 2nd ed. Franklin Lakes, NJ, USA: New Page Books, 1998.

[4] R. Plamondon and S. N. Srihari, “Online and off-line handwriting recognition: A comprehensive survey,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 22, no. 1, pp. 63–84, Jan. 2000, doi: 10.1109/34.824821.

[5] J. Pradeep, E. Srinivasan, and S. Himavathi, “Diagonal based feature extraction for handwritten alphabets recognition system using neural network,” Int. J. Comput. Sci. Inf. Technol., vol. 3, no. 1, pp. 364–368, Feb. 2011.

[6] A. Kadir and A. Susanto, Teori dan Aplikasi Pengolahan Citra, 1st ed. Yogyakarta: Andi Offset, 2013.

[7] R. C. Gonzalez and R. E. Woods, Digital Image Processing, 4th ed. New York, NY, USA: Pearson, 2018.

[8] S. Theodoridis and K. Koutroumbas, Pattern Recognition, 4th ed. Burlington, MA, USA: Academic Press, 2009.

[9] A. C. Agustina, “Pengenalan aksara Jawa menggunakan Learning Vector Quantization (LVQ),” J. Ilm. Teknol. Inf., vol. 10, no. 2, pp. 91–98, Jul. 2011.

[10] E. F. Malik, B. Purnama, and M. D. Sulistiyo, “Analisis dan implementasi Optical Character Recognition (OCR) menggunakan Jaringan Syaraf Tiruan (JST) untuk pengenalan aksara Sunda baku,” J. Inform., vol. 8, no. 1, pp. 45–54, Apr. 2012.

[11] A. A. Farhan, “Perancangan dan analisis sistem pengenalan kata aksara Sunda menggunakan metode Learning Vector Quantization berbasis pengolahan citra,” J. Elektro Telekomun. Terap., vol. 4, no. 1, pp. 488–496, Des. 2017.

[12] I. M. G. Sunarya, I. G. M. Darmawiguna, and K. Agustini, “Penerapan metode Modified Direction Feature (MDF) pada pengenalan karakter aksara Bali berbasis jaringan syaraf tiruan,” J. Nas. Pendidik. Teknol. Inform., vol. 5, no. 2, pp. 88–95, Agu. 2016.

[13] A. Aryantio and R. Munir, “Pengenalan aksara Lampung menggunakan ekstraksi kontur dan jaringan syaraf tiruan,” dalam Proc. Konf. Nas. Inform. (KNIF), Bandung, 2015, pp. 112–117.

[14] L. K. Hutauruk, “Pengembangan perangkat lunak pengenalan pola aksara Batak Toba menggunakan pendekatan Learning Vector Quantization,” Skripsi, Dept. Tek. Inform., STMIK Mikroskil, Medan, Indonesia, 2015.

[15] F. Tampubolon, S. Sembiring, and M. Zarlis, “Implementasi jaringan syaraf tiruan backpropagation dalam mengenali karakter aksara Batak Toba,” J. Inf. Rekayasa Politek., vol. 2, no. 1, pp. 33–40, Jan. 2018.

[16] S. Impedovo and P. Wang, Machine Interpretation of Handwriting, Singapore: World Scientific, 1993.

[17] M. Blumenstein, B. Verma, and H. Nguyen, “A modified direction feature for cursive character recognition,” dalam Proc. Int. Joint Conf. Neural Netw. (IJCNN), Honolulu, HI, USA, 2002, pp. 2983–2987, doi: 10.1109/IJCNN.2002.1007624.

[18] M. Blumenstein, B. Verma, and H. Nguyen, “Neural-based solutions for handwriting recognition: An overview and comparative study,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 29, no. 1, pp. 112–126, Jan. 2007.

[19] N. Sherkat, R. J. Whitrow, and F. M. Cowell, “Feature extraction for offline recognition of handwriting,” Pattern Recognit. Lett., vol. 16, no. 8, pp. 843–851, Aug. 1995.

[20] T. Kohonen, Self-Organizing Maps, 3rd ed. Berlin, Germany: Springer-Verlag, 2001.

[21] J. J. Siang, Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB, 2nd ed. Yogyakarta: Penerbit Andi, 2014.

[22] B. Wirayuda, T. A. Nugroho, L. D. Krisnawati, and M. A. Wibisono, “Pengenalan pola huruf Jepang (Kana) menggunakan Direction Feature Extraction dan Learning Vector Quantization,” J. Penelit. Pengemb. Telekomun., vol. 13, no. 2, pp. 120–128, Des. 2008.

[23] M. N. Muhamad and D. R. Prehanto, “Implementasi algoritma Chain Code dan Learning Vector Quantization (LVQ) pada pengenalan huruf Hijaiyah,” J. Teknol. Inform. Komput., vol. 3, no. 2, pp. 102–109, Okt. 2016.

[24] F. Damayanti and W. Setiawan, “Pengenalan tanda tangan dengan metode Modified Direction Feature (MDF) dan Euclidean Distance,” dalam Proc. Conf. Smart-Green Technol. Electr. Inf. Syst. (ICSGTEIS), Bali, Indonesia, 2013, pp. 67–72.

[25] T. Chuang, “Aplikasi pengenalan tulisan Mandarin kedalam Han Yu Pin Yin menggunakan metode Learning Vector Quantization (LVQ),” J. Sist. Inform. Komput., vol. 1, no. 2, pp. 55–63, Des. 2011.

[26] E. Budianita and W. Prijodiprodjo, “Penerapan Learning Vector Quantization untuk klasifikasi status gizi anak,” IJCCS (Indones. J. Comput. Cybern. Syst.), vol. 7, no. 2, pp. 155–166, Jul. 2013, doi: 10.22146/ijccs.3082.

[27] N. Otsu, “A threshold selection method from gray-level histograms,” IEEE Trans. Syst., Man, Cybern., vol. 9, no. 1, pp. 62–66, Jan. 1979, doi: 10.1109/TSMC.1979.4310076.

[28] R. G. Keyes, “Cubic convolution interpolation for digital image processing,” IEEE Trans. Acoust., Speech, Signal Process., vol. 29, no. 6, pp. 1153–1160, Dec. 1981, doi: 10.1109/TASSP.1981.1163684.

[29] J. Sauvola and M. Pietikäinen, “Adaptive document image binarization,” Pattern Recognit., vol. 33, no. 2, pp. 225–236, Feb. 2000, doi: 10.1016/S0031-3203(99)00055-2.

[30] T. Y. Zhang and C. Y. Suen, “A fast parallel algorithm for thinning digital patterns,” Commun. ACM, vol. 27, no. 3, pp. 236–239, Mar. 1984, doi: 10.1145/357994.358023.