OCR HURUF JAWA DENGAN FITUR KODE RANTAI DAN LEVENSHTEIN DISTANCE

Teady Matius Surya Mulyana, Destriana Widyaningrum, Herlina Herlina

Abstract


Aplikasi sederhana untuk pengenalan aksara jawa diperlukan pada saat massive nya penggunaan aksara nasional. Aplikasi diperlukan untuk mengenali dan membaca karakter-karakter dari aksara jawa pada pesan-pesan yang diterima. Fitur dan metode yang sederhana untuk mengenali aksara jawa sangat diperlukan sehingga aplikasi dapat sewaktu-waktu melakukan pelatihan, dimana data pelatihan yang disediakan sedikit. Salah satu fitur sederhana yang tersedia adalah kode rantai. Permasalahannya adalah kode rantai merupakan untaian karakter, maka diperlukan pengukuran jarak yang sesuai, bukan pengukuran jarak yang umum digunakan pada OCR. Levenshtein Distance merupakan pengukuran jarak antara dua string. Sesuai dengan fitur yang dipilih, maka akan digunakan levenshtein distance untuk mengukur jarak dua buah kode rantai. Pada penelitian ini akan dibuktikan fitur kode rantai dengan pengukuran jarak menggunakan levenshtein distance mampu mengenali objek aksara jawa berdasarkan data pelatihan yang tersimpan. Metode klasifikasi yang dipergunakan adalah klasifikasi nearest-neighbor. Dipilihnya metode ini dimaksudkan agar mampu memberi informasi data pelatihan yang terdekat dengan objek yang ingin dikenali. Hasil penelitian menunjukkan fitur kode rantai dengan pengukuran jarak dengan levenshtein distance mampu mengenali fitur data pelatihan yang terdekat dengan fitur objek.

Full Text:

PDF (Indonesian)

References


B. Setiawan, P. Wibowo, F. Azzahrah, P. Harjani, and K. Saddhono, “Study of Javanese

Script Writing Learning in Senior High Schools in Boyolali Regency,” 2019, doi: 10.4108/eai.29-8-2019.2288906.

E. K. Aribowo, “Digitalisasi Aksara Jawa Dan Pemanfaatannya Sebagai Media Pembelajaran Bagi Musyawarah Guru Mata Pelajaran Bahasa Jawa Smp Kabupaten Klaten,” War. LPM, vol. 21, no. 2, pp. 59–70, Jun. 2018, doi: 10.23917/warta.v21i2.5620.

I. A. Persada, “Pengaruh penggunaan aplikasi hanacaraka terhadap hasil belajar kognitif aksara jawa kelas 4 sd negeri giwangan yogyakarta the effectiveness of hanacaraka apps toward cognitive students’ learning result in grade 4 of sd negeri giwangan yogyakarta.,” E-Jurnal Skripsi Progr. Stud. Teknol. Pendidik., vol. VI, no. 1, pp. 35–42, 2017, [Online]. Available: http://journal.student.uny.ac.id/ojs/index.php/fiptp/article/view/6107.

A. M. Setiawan, Agus, Sulaiman, “Hanacaraka: Aksara Jawa Dalam Karakter Font dan Aplikasinya Sebagai Brand Image,” Ornamen, vol. 12, no. 01, p. 33=47, 2015, [Online]. Available: https://jurnal.isi-ska.ac.id/index.php/ornamen/article/view/1609.

D. Nurhayati and D. I. Abdurrahman, “Upaya Revitalisasi Aksara Jawa Hanacaraka Melalui Media T-Shirt,” J. Atrat, vol. 6, 2018, [Online]. Available: https://jurnal.isbi.ac.id/index.php/atrat/article/view/661.

R. Agustian, N. A. H., and J. Karel, “Implementasi Metode Chain Code Untuk Pengenalan Rambu Lalu Lintas,” J. Inform., vol. 12, no. 1, pp. 67–75, 2016, doi: 10.21460/inf.2016.121.413.

M. A. M. Andy Haryoko, Sholeh Hadi Pramono, “Pengenalan Karakter Plat Kendaraan Bermotor Berbasis Citra Dengan Menggunakan Metode Canny Dan Algoritma Backpropagation,” Netw. Eng. Res. Oper., vol. 2, no. 2, pp. 123–130, 2016, doi: http://dx.doi.org/10.21107/nero.v2i2.57.

S. Mawaddah and N. Suciati, “Pengenalan Karakter Tulisan Tangan Menggunakan Ekstraksi Fitur Bentuk Berbasis Chain Code,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 4, p. 683, Aug. 2020, doi: 10.25126/jtiik.2020742022.

T. F. Abidin, A. A. AzZuhri, and F. Arnia, “Pengenalan Karakter Plat Nomor Kendaraan Bermotor Menggunakan Zoning dan Fitur Freeman Chain Code,” J. Rekayasa Elektr., vol. 14, no. 1, pp. 19–25, Apr. 2018, doi: 10.17529/jre.v14i1.8932.

S. Styawati and K. Mustofa, “A Support Vector Machine-Firefly Algorithm for Movie Opinion Data Classification,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 13, no. 3, p. 219, Jul. 2019, doi: 10.22146/ijccs.41302.

D. R. Anamisa, “Aplikasi Segmentasi Objek Menggunakan Cellular Neural Network ( Cnn ),” Netw. Eng. Res. Oper., vol. 1, no. 3, pp. 157–163, 2015, doi: http://dx.doi.org/10.21107/nero.v1i3.40.

Y. S. Safitri Juanita, “Pengembangan Aplikasi Text Recognition Dengan Klasifikasi

Neural Network Pada Huruf Aksara Jawa,” Telemat. MKOM, vol. 5, no. 2, pp. 290–296, 2013, [Online]. Available: https://journal.budiluhur.ac.id/index.php/telematika/article/view/99.

T. M. S. Mulyana and A. Harjoko, “A chinese character recognition method based on population matrix and relational database,” Proc. 2nd Int. Conf. Inf. Commun. Technol. Semin. ICTS 2006, no. 1, pp. 518–523, 2006.

R. Agustian, N. A. H., and J. Karel, “Implementasi Metode Chain Code Untuk Pengenalan Rambu Lalu Lintas” J. Inform., vol. 12, no. 1, Jun. 2016, doi: 10.21460/inf.2016.121.413.

S. Sanjaya, M. L. Pura, S. K. Gusti, F. Yanto, and F. Syafria, “K-Nearest Neighbor for Classification of Tomato Maturity Level Based on Hue, Saturation, and Value Colors,” Indones. J. Artif. Intell. Data Min., vol. 2, no. 2, p. 101, Nov. 2019, doi: 10.24014/ijaidm.v2i2.7975.

S. Wiyono and T. Abidin, “Implementation Of K-Nearest Neighbour (Knn) Algorithm To Predict Student’s Performance,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 9, no. 2, pp. 873–878, Nov. 2018, doi: 10.24176/simet.v9i2.2424.

H. A. Abu Alfeilat et al., “Effects of Distance Measure Choice on K-Nearest Neighbor Classifier Performance: A Review,” Big Data, vol. 7, no. 4, pp. 221–248, Dec. 2019, doi: 10.1089/big.2018.0175.

K. Chomboon, P. Chujai, P. Teerarassammee, K. Kerdprasop, and N. Kerdprasop, “An Empirical Study of Distance Metrics for k-Nearest Neighbor Algorithm,” in The Proceedings of the 2nd International Conference on Industrial Application Engineering 2015, 2015, pp. 280–285, doi: 10.12792/iciae2015.051.

T. Cover and P. Hart, “Nearest neighbor pattern classification,” IEEE Trans. Inf. Theory, vol. 13, no. 1, pp. 21–27, Jan. 1967, doi: 10.1109/TIT.1967.1053964.

E. S. Ristad and P. N. Yianilos, “Learning string-edit distance,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 20, no. 5, pp. 522–532, May 1998, doi: 10.1109/34.682181.

R. Umar, Y. Hendriana, and E. Budiyono, “Implementation of Levenshtein Distance Algorithm for ECommerce of Bravoisitees Distro,” Int. J. Comput. Trends Technol., vol. 27, no. 3, pp. 131–136, Sep. 2015, doi: 10.14445/22312803/IJCTT-V27P123.

T. Ho, S.-R. Oh, and H. Kim, “A parallel approximate string matching under Levenshtein distance on graphics processing units using warp-shuffle operations,” PLoS One, vol. 12, no. 10, p. e0186251, Oct. 2017, doi: 10.1371/journal.pone.0186251.

D. S. Hirschberg, “A linear space algorithm for computing maximal common subsequences,” Commun. ACM, vol. 18, no. 6, pp. 341–343, Jun. 1975, doi: 10.1145/360825.360861.

D. Rosmala and Z. M. Risyad, “Algoritma Levenshtein Distance dalam Aplikasi Pencarian isu di Kota Bandung pada Twitter,” MIND J., vol. 2, no. 2, pp. 1–12, Nov. 2018, doi: 10.26760/mindjournal.v2i2.1-12.

A. A. Arifiyanti, R. M. Pradana, and I. F. Novian, “Klasifikasi Produk Retur dengan Algoritma Pohon Keputusan C4.5,” J. IPTEK, vol. 22, no. 1, p. 79, May 2018, doi: 10.31284/j.iptek.2018.v22i1.243.

C. Manliguez, “Generalized Confusion Matrix for Multiple Classes.” 2016, doi: 10.13140/RG.2.2.31150.51523.

T. M. S. Mulyana and Herlina, “Evenly brightening using kurtosis Gaussian pattern to simplify image binarization,” J. Phys. Conf. Ser., vol. 1397, no. 1, p. 012076, Dec. 2019, doi: 10.1088/1742-6596/1397/1/012076.




DOI: http://dx.doi.org/10.21107/nero.v6i1.217

Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Network Engineering Research Operation

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Creative Commons License
NERO (Networking Engineering Research Operation) is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.