View of Penelitian Pendahuluan Transliterasi Citra Aksara Bali Menggunakan Ciri Momen Invarian dan Algoritma Klasifikasi SVM atau CNN

(1)

Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 580-589 E- ISSN 2503-2933 580

st th

Penelitian Pendahuluan Transliterasi Citra Aksara Bali Menggunakan Ciri Momen Invarian Dan Algoritma

Klasifikasi SVM Atau CNN

Anastasia Rita Widiarti*¹, Hari Suparwito²

1,2 Jurusan Informatika, Universitas Sanata Dharma, Yogyakarta e-mail: *¹rita_widiarti@usd.ac.id, ²shirsj@jesuits.net

Abstrak

Naskah lontar adalah salah satu warisan budaya yang perlu dilestarikan. Naskah lontar berisi banyak hal berguna tetapi dianggap tidak lagi menarik dan sulit untuk dipelajari.

Studi ini bertujuan untuk mengembangkan sistem transliterasi aksara Bali tulisan tangan yang diperoleh dari digitalisasi naskah lontar. Kekhasan dari penelitian ini adalah penggunaan obyek penelitian, dan kombinasi algoritma yang digunakan dalam transliterasi. Metode yang digunakan adalah pembelajaran mesin dengan algoritma klasifikasi SVM dan CNN. 1001 citra aksara Bali pada naskah lontar digunakan sebagai data latih. Dengan menggunakan algoritma CNN diperoleh akurasi sebesar 86,42%, dan dengan algoritma SVM diperoleh akurasi sebesar 82.32%. Pengujian model dilakukan dengan 18 citra aksara hasil digitalisasi dari buku cetak dan diperoleh hasil akurasi sebesar 23.53% dengan menggunakan algoritma SVM. Kecilnya nilai akurasi data uji ini diduga karena sangat berbedanya bentuk citra aksara tulis tangan dengan data latih yang digunakan, penelitian ini membuka peluang untuk dikembangkan dengan menambah data latih dari berbagai bentuk citra dari berbagai sumber berbeda.

Penelitian ini juga menunjukkan bahwa pendekatan pembelajaran mesin dengan algoritma SVM dan CNN berpotensi digunakan sebagai salah satu pendekatan dalam pengembangan sistem transliterasi citra aksara Bali.

Kata kunci—Algoritma SVM, algoritma CNN, momen invarian, citra aksara Bali

Abstract

The lontar manuscript is one of the cultural heritages that must be preserved. The lontar manuscript contains many valuable things but is considered no longer exciting and challenging to learn. The study aims to develop a handwritten Balinese script transliteration system from digitizing lontar manuscripts. The peculiarity of this research is the use of research objects and the combination of algorithms used in transliteration. The method used is machine learning with SVM and CNN classification algorithms. 1001 Balinese script images in lontar manuscripts were used as training data. Using the CNN algorithm, an accuracy of 86.42% is obtained, and an accuracy of 82.32% obtains in the SVM algorithm. The model testing was carried out with 18 digitized script images from printed books and obtained an accuracy of 23.53% using the SVM algorithm. The low accuracy value of the testing data is thought to be due to the different shape of the handwritten script imagery with the training data used. This research opens opportunities to be developed by adding training data from various forms of images from different sources. This study also shows that machine learning approaches with SVM and CNN algorithms can potentially be used in developing Balinese script image transliteration systems.

Keywords—SVM algorithm, CNN algorithm, invariant moment, Balinese script image

(2)

581 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 580-589 E-ISSN 2503-2933

Anastasia, et., al Penelitian Pendahuluan Transliterasi Citra Aksara Bali Menggunakan Ciri Momen Invarian dan Algoritma Klasifikasi SVM Atau CNN]

1. PENDAHULUAN

Naskah lontar merupakan warisan budaya yang perlu dilestarikan agar tidak tergerus oleh kemajuan zaman. Karya sastra yang terdapat dalam lontar merupakan cerminan kehidupan masyarakat. Di dalam lontar terdapat karya-karya sastra yang banyak mengajarkan kita tentang falsafah hidup, agama, dan banyak ilmu lainnya yang sangat bermanfaat sebagai bekal hidup.

Pelestarian budaya khususnya naskah lontar Bali saat ini banyak menjadi perhatian. Ada banyak penelitian yang mengkhususkan pada pertanyaan mengenai cara-cara agar dapat membaca naskah lontar ini dengan lebih baik, apalagi saat ini banyak generasi muda yang tidak dapat membaca naskah lontar dan masih ditambah dengan beberapa tulisan menjadi tidak jelas oleh karena dimakan usia. Keprihatinan ini telah membawa pada berbagai penelitian tentang pengenalan aksara Bali dengan berbagai metode.

Darma dan Sutramiani melakukan penelitian untuk memisahkan gambar yang mengandung karakter aksara Bali dengan latar belakangnya mempergunakan metode profil proyeksi [1]. Mereka menyatakan bahwa berhasil diperoleh nilai akurasi sebesar 82,35%.

Manuaba dan Indah menggunakan deteksi tepi canny dan sobel, untuk mendeteksi citra-citra aksara Bali pada lontar yang ditulis menggunakan pisau, dengan akurasi sebesar 70% [2].

Penelitian lain dilakukan dengan menggunakan metode machine learning untuk mengenali aksara Bali pada lontar dengan metode pembelajaran transfer, dengan hasil akurasi 86,23% [3]. Berbeda dengan hasil dari penerapan metode convolutional neural network (CNN) untuk mengidentifikasi bentuk tulisan tangan yang tersegmentasi kalimat. Dengan dataset yang dibagi menjadi tiga kategori gambar, biner, skala abu-abu, dan biner terbalik yang terdiri dari 100 kelas, mendapatkan hasil akurasi tertinggi sebesar 92,3% pada gambar skala abu-abu [4].

Penelitian lain pada tulisan tangan aksara Jawa menggunakan metode CNN, dengan menggunakan 2000 data yang termasuk dalam 20 kelas bahasa Jawa mendapatkan tingkat akurasi pengenalan 90% [5]. Masih untuk pengenalan tulisan tangan aksara Jawa, Hanindria dan Hendry, mendapatkan akurasi sebesar 85% untuk klasifikasi citra aksara Jawa tulisan tangan dengan metode CNN [6].

Beberapa peneliti menggunakan metode lain yaitu Support Vector Machine (SVM) untuk mengenali aksara. Yulianti dkk., [7] memproses ciri hasil dari ekstraksi ciri momen invarian untuk mengenali pola tulisan tangan suku kata aksara Sasak, menghasilkan akurasi mencapai 92.52%. Penelitian lain yang dilakukan oleh Kadhm dan Hassan [8] mengusulkan arsitektur baru untuk sistem pengenalan kata beraksara Arab tulisan tangan berdasarkan dukungan mesin vektor SVM Classifier. Sistem mampu mendapatkan akurasi terbaik sebesar 96.317%, yang lebih tinggi nilainya dibandingkan metode-metode lain dalam penelitian mereka. Hasil eksperimen mereka juga menunjukkan bahwa kernel polinomial SVM menyatu dan mengenali lebih akurat daripada kernel SVM lainnya. Perihal kernel yang digunakan pada klasifikasi dengan SVM, Salam dan Hassan menyimpulkan berbeda, yaitu bahwa kernel linear konvergen dan lebih akurat untuk pengenalan aksara Arab tulisan tangan [9]. Penelitian lain mendukung kesimpulan tersebut untuk pengenalan tulisan tangan dari orang yang mengalami gangguan disgrafia [10].

Dari kedua metode baik CNN maupun SVM menunjukkan bahwa ada peluang kedua metode diterapkan pada pengenalan aksara Bali ataupun aksara lainnya. Muncul pertanyaan baru, yaitu metode manakah yang memberikan hasil optimal sebagai suatu mesin pengklasifikasi? Beberapa penelitian mencoba membandingkan pemanfaatan SVM dengan CNN meskipun diterapkan pada bidang yang berbeda-beda. Yasmin, dkk. menyimpulkan bahwa metode SVM lebih dipilih untuk memprediksi kualitas limbah pada Instalasi Pengolahan Air Limbah Domestik (IPAL) dibandingkan dengan menggunakan metode Feed-Forward Neural Network (FFNN). Alasannya karena akurasi yang diperoleh pada data testing maupun data

(3)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 580-589 E- ISSN 2503-2933 582

_

training mendapatkan akurasi yang lebih besar pada kondisi bahan yang digunakan dalam percobaan [11]. Pada penerapan untuk klasifikasi tanaman dengan data hasil dari penginderaan jarak jauh hiperspektral inframerah oleh Hasan dkk., mendapatkan data akurasi berturut-turut sebesar 99%, 94% dan 91% dengan mempergunakan metode CNN, ANN dan SVM. Dalam penelitian ini mereka menemukan bahwa metode CNN memberikan akurasi yang terbaik [12].

Terdapat kesimpulan berbeda dari dua penelitian sebelumnya tersebut terkait metode klasifikasi yang optimal atau terbaik.

Tujuan dari studi ini adalah untuk menjajagi kemungkinan dimanfaatkannya metode dan data yang digunakan dalam penelitian, untuk diaplikasikan pada pengembangan sistem transliterasi citra daun lontar beraksara Bali. Dalam studi ini kami mengusulkan metode pembelajaran mesin dengan memanfaatkan metode SVM dan CNN untuk tahap klasifikasinya.

Kekhususan dari studi ini adalah pada data yang digunakan, yaitu dari hasil digitalisasi lontar pada naskah Adiparwa dan kombinasi berbagai algoritma yang diterapkan pada tahapan-tahapan proses transliterasi. Dengan berhasilnya penelitian ini maka membuka jalan untuk dilakukannya penelitian-penelitian lain yang serupa namun untuk diterapkan pada berbagai aksara daerah yang masih banyak ditemukan di Indonesia, sehingga dapat membantu dalam upaya pelestarian naskah maupun penyebarluasannya.

2. METODE PENELITIAN

Bagian ini memaparkan mengenai data yang digunakan dalam penelitian, desain pengembangan alat uji, dan rancangan percobaan untuk mendapatkan output sehingga bisa didapatkan bahan untuk analisis data.

2.1 Data Penelitian

Bahan dasar penelitian adalah 1001 citra-citra aksara Bali yang dihasilkan dari penelitian- penelitian yang telah dilakukan sebelumnya [13] [14] sebagai data latih. Sumber asli citra aksara Bali lontar berasal lontar asli yang tersimpan di Universitas Sanata Dharma dengan judul Kitab Adiparwa. Tabel 1 menampilkan detil informasi data latih dalam penelitian ini, yang terdiri dari jumlah data perkelas beserta dengan nama label kelasnya. Sebagai data uji digunakan citra aksara Bali hasil digitalisasi pada buku yang berjudul “Pasang Aksara Bali” [15] yang telah digunakan oleh seorang praktisi pembaca lontar beraksara Bali.

Tabel 1. Data latih

Kelas Contoh data Jumlah Data

Ha 30

Ta 52

Ba 45

Sa 64

Ma 76

Ka 36

Nga 28

Koma 81

Ulu 121

Tedong 49

Na 108

Da 20

(4)

583 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 580-589 E-ISSN 2503-2933

Wa 42

Taleng 92

Ra 69

Ya 35

Suku 33

Mangkan 20

2. 2 Desain alat uji

Untuk mendapatkan gambaran mengenai unjuk kerja dari penerapan metode SVN dan CNN yang dipilih dalam penelitian ini, maka akan dibuat suatu sistem sederhana dan akan diimplementasikan mempergunakan bahasa pemrograman Matlab. Gambar 1 menunjukkan urutan proses yang terjadi pada setiap data yang tersimpan sebagai data uji maupun data latih.

Gambar 1. Desain Alat Uji

Pada tahap Preprocessing, akan dilakukan rangkaian proses meliputi binerisasi, pemisahan latar belakang dan obyek aksara, ubah ukuran, invers, reduksi derau, dan penipisan citra. Fungsi-fungsi di matlab yang digunakan meliputi fungsi imbinarize() untuk binerisasi, imresize() untuk mengubah ukuran, imcomplement() untuk mengubah latar citra ke warna hitam dan objek ke warna putih, medfilt2() untuk reduksi derau, dan bwskel() untuk mengambil kerangka dari citra aksara input.

Ekstraksi ciri dilakukan dengan menerapkan metode momen invarian. Metode ini dipilih karena dapat menangani berbagai kejadian pada data input yang disebabkan oleh proses translasi, penyekalaan, maupun rotasi citra. Dalam penelitian ini, digunakan 7 nilai momen invarian yang diusulkan oleh penemunya Hu [16].

Di tahap Klasifikasi, citra-citra data latih maupun data uji yaitu citra aksara Bali dari 18 kelas, semuanya akan diklasifikasikan. Input pada proses klasifikasi SVM maupun CNN adalah output dari tahap Ekstraksi ciri yang telah dilakukan pada proses sebelumnya. SVM model yang digunakan pada penelitian ini merupakan pemodelan multikelas SVM one versus one (ovo) dengan 3 fungsi kernel SVM yaitu linear, RBF / gaussian, dan polinomial. Variabel-variabel perlakuan pada data latih yang menghasilkan akurasi optimal yang disebut sebagai Model, kemudian diterapkan pada proses klasifikasi menggunakan data uji. Sedangkan untuk klasifikasi dengan CNN diterapkan pada data latih maupun data uji menggunakan pengetahuan dari model yang telah dihasilkan saat klasifikasi dengan SVM. Variabel-variabel yang diubah-ubah pada

(5)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 580-589 E- ISSN 2503-2933 584

_

klasifikasi dengan CNN adalah jumlah neuron maupun fungsi aktivasi dan pelatihannya. Output pada dari proses klasifikasi merupakan prediksi label data uji yang kemudian akan dihitung akurasinya di tahap Hitung Akurasi. Label yang dimaksudkan adalah sebutan aksara Bali yang ditulis dengan aksara Roman.

2. 3 Rancangan Skenario Pengujian

Secara garis besar terdapat 3 skenario utama pengujian. Skenario pertama pengujian adalah melakukan berbagai percobaan pada data latih guna ditemukannya model di setiap tahap transliterasi yang mempunyai peluang untuk menghasilkan akurasi yang optimal mempergunakan algoritma SVM untuk klasifikasinya. Uji validasi yang diterapkan menggunakan 5-fold cross validation. Pada skenario ini, untuk penerapan SVM akan digunakan metode perbandingan ovo, dengan mencoba untuk menggunakan kernel linear, gaussian, atau polinomial sehingga bisa ditemukan kernel yang optimal.

Model penyiapan data yang digunakan dalam penelitian ini akan divariasikan pada ukuran citra, dan ketebalan citra data latih maupun uji. Ukuran citra yang diterapkan dari ukuran awal atau asli, kemudian ke ukuran 50x50 piksel atau 70x70 piksel. Untuk ketebalan citra akan dibuat variasi menggunakan ketebalan asli citra atau ditipiskan dulu.

Dari skenario pengujian pertama akan ditemukan model penyiapan data, model ektraksi ciri dan kernel serta pelatihan dalam klasifikasi SVM yang yang menghasilkan akurasi paling optimal. Model penyiapan data dan ektraksi ciri kemudian diterapkan untuk kelompok pengujian data latih dengan algoritma klasifikasi CNN pada skenario pengujian kedua. Variabel yang diterapkan pada CNN meliputi jumlah hidden layer, jumlah neuron, fungsi training dan fungsi aktivasinya. Jumlah neuron akan diubah-ubah dari 20, 25, 30, 35, 40, 45, 50, 55, 60, 65, dan 70. Fungsi trainingnya meliputi fungsi traingdx, trainlm, trainrp, dan trainScg. Fungsi aktivasinya akan digunakan logsig, dan tansig.

Dari skenario pertama dan kedua, maka variabel-variabel dalam metode yang telah memberikan hasil optimal kemudian diterapkan untuk pengujian dengan data uji. Sehingga dengan skenario pengujian ketiga ini akan dapat diperoleh akurasi transliterasi dengan data uji yang telah disiapkan.

3. HASIL DAN PEMBAHASAN 3. 1 Hasil dan Pembahasan Data Latih

Pada pengujian data latih dengan skenario pertama klasifikasi dengan SVM, diperoleh rangkuman hasil percobaan berupa rata-rata prosentase akurasi dari kesemua foldnya, seperti tampak pada Tabel 2. Berbagai nilai rata-rata berbeda tersebut dihasilkan karena dilakukan berbagai percobaan dengan mengubah-ubah variabel pada cara penyiapan data dan kernel yang digunakan. Misalnya, data di baris pertama dihasilkan saat dicobakan dengan variabel kernelnya Gaussian, ukuran citra dibuat tetap sesuai aslinya, dan citra tidak ditipiskan sebelum di ekstraksi ciri.

Tabel 2. Hasil Akurasi Klasifikasi Dengan Variabel Skenario yang Pertama Ukuran Citra Ditipiskan Kernel Rerata %Akurasi

Asli Tidak Gaussian 60.24

Asli Ya Gaussian 74.23

Asli Tidak Linear 71.92

Asli Ya Linear 80.62

Asli Tidak Polinomial 70.33

Asli Ya Polinomial 80.90

(6)

585 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 580-589 E-ISSN 2503-2933

50x50 Tidak Gaussian 60.84

50x50 Ya Gaussian 69.13

50x50 Tidak Linear 77.42

50x50 Ya Linear 82.32

50x50 Tidak Polinomial 73.83

50x50 Ya Polinomial 78.62

70x70 Tidak Gaussian 59.94

70x70 Ya Gaussian 69.73

70x70 Tidak Linear 77.22

70x70 Ya Linear 80.92

70x70 Tidak Polinomial 74.83

70x70 Ya Polinomial 78.32

Dari nilai-nilai rata-rata akurasi di Tabel 2 dapat dilihat bahwa rerata prosentase akurasi tertingginya adalah 82.32%. Kondisi optimal tesebut diperoleh pada kondisi ukuran citra aksara 50x50 piksel, citra telah ditipiskan, dan kernelnya linear.

Jika dilihat dari variabel perbedaan ukuran citra, dapat ditemukan nilai rata-rata akurasi per ukuran citra untuk semua kejadian, secara berturut-turut dari ukuran asli, 50x50 piksel, dan 70x70 piksel adalah 73.04%, 73.69%, dan 73,49%. Nilai rata-rata ukuran citra di 50x50 piksel adalah yang tertinggi, dibandingkan dengan ukuran citra lainnya meski tidak sangat tinggi perbedaan nilainya. Dari pengamatan ini maka dapat disimpulkan bahwa ukuran citra membawa dampak pada tercapainya nilai akurasi.

Jika dilihat dari perbedaan nilai prosentase akurasi sebelum dan setelah dilakukan proses penipisan citra, pada kernel dan ukuran citra yang sama, terdapat gejala perubahan yaitu selalu menunjukkan peningkatan nilai akurasi. Misalkan pada kejadian ukuran citra asli dengan kernel Gaussian, perubahan nilai prosentase akurasinya sebesar 13.99%, setelah dihitung nilai akurasi sesudah ditipiskan dan sebelum ditipiskan. Dari hasil tersebut dapat disimpulkan bahwa kesamaan ketebalan citra mempunyai pengaruh dampak yang positif pada hasil akurasi.

Dari data pada Tabel 2, dapat disimpulkan juga bahwa perbedaan atas penggunaan kernel pada berbagai kondisi percobaan memberikan akurasi yang berbeda pula. Akurasi rata-rata dengan kernel linear memberikan hasil yang paling optimal, yaitu sebesar 78,403%. Sedangkan apabila diterapkan dengan kernel polinom, nilainya sebesar 76,138%. Akurasi paling rendah terjadi pada kernel Gaussian sebesar 65,685%. Hasil percobaan ini ternyata sama dengan kesimpulan yang ditemukan oleh Salam dan Hassan [9].

Dari hasil-hasil pada percobaan di skenario pertama pengujian, diperoleh model penyiapan citra untuk diterapkan pada percobaan di skenario kedua, yaitu dengan metode klasifikasi CNN. Model tersebut adalah penggunaan ukuran citra di 50x50 piksel, dan citra telah ditipiskan. Gambar 2 menampilkan nilai-nilai prosentase akurasi dengan kondisi tersebut, pada fungsi-fungsi aktivasi dan metode-metode pelatihan menggunakan 1 hidden layer.

(7)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 580-589 E- ISSN 2503-2933 586

_

Gambar 2. Grafik Perbandingan Rata-rata Nilai Prosentase Akurasi pada Berbagai Variabel yang Diterapkan di Proses Klasifikasi Dengan CNN pada 1 Hidden Layer

Dari berbagai percobaan seperti terlihat pada Gambar 2, ditemukan bahwa nilai rata-rata akurasi tertingginya sebesar 78.721%. Kondisi optimal tersebut dicapai pada skenario penggunaan jumlah neuron 55, dengan model pelatihan Trainglm dan fungsi aktivasi Logsig.

Mempergunakan variabel-variabel tersebut, percobaan selanjutnya dilakukan namun dibuat untuk kondisi 2 hidden layer. Dari pengaturan berbagai jumlah neuron yang sama seperti pada pengujian sebelumnya, diperoleh nilai prosentase akurasi tertinggi berbeda, yaitu sebesar 86,42%. Perolehan akurasi ini lebih tinggi jika dibandingkan kalau mempergunakan 1 hidden layer.

Terdapat perubahan kenaikan prosentase akurasi sebesar 4.1% juga, jika dibandingkan dengan nilai prosentase akurasi dengan metode klasifikasi SVM yang terbaik. Dari hasil percobaan tersebut dapat disimpulkan bahwa metode CNN memberikan hasil yang lebih optimal dibandingkan dengan metode SVM pada kasus pengenalan aksara Bali tulisan tangan.

Kesimpulan yang diperoleh ini ternyat sama dengan kesimpulan dari penelitian Hassan, dkk.

[12].

3. 2 Hasil dan Pembahasan Pengujian Data Uji

Dari rangkaian percobaan mempergunakan metode klasifikasi SVM maupun CNN pada data latih, diketemukan kondisi yang memberikan unjuk kerja yang paling optimal. Kondisi tersebut kemudian diterapkan pada percobaan dengan menggunakan data uji. Tabel 3 menampilkan gambar 18 citra uji dan hasil prediksinya dengan mempergunakan metode klasifikasi SVM.

Tabel 3. Hasil Akurasi Klasifikasi Dengan Variabel Skenario yang Pertama Citra Uji Label Citra Uji Label Hasil Prediksi Keterangan

, Ha Nga Salah

Ta Na Salah

, Pa Ulu Salah

Sa Sa Benar

(8)

587 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 580-589 E-ISSN 2503-2933

Sa Ma Salah

Ma Pa Salah

Ma Ma Benar

Ka Ma Salah

Ka Ka Benar

Nga Nga Benar

Nga Ulu Salah

, Na Ma Salah

, Wa Ulu Salah

Dari Tabel 3 di atas, dapat dihitung bahwa hanya 4 citra yang terprediksi dengan benar dari 17 citra uji. Dalam percobaan ini diperoleh nilai prosentase kebenaran data uji adalah sebesar 23.53%. Sangat kecilnya nilai prosentase disebabkan kemungkinan oleh ketidaksesuaian data uji yang diperoleh dari hasil digitalisasi buku cetak sementara data latihnya berupa tulisan tangan, atau karena ketidaktepatan metode ekstraksi ciri.

Percobaan kedua pada data uji dilakukan dengan mempergunakan metode klasifikasi CNN yang diatur pada kondisi untuk menghasilkan nilai akurasi tertinggi, yaitu dengan fungsi Trainglm Logsig dan memakai 2 hidden layer. Hasil pengujian CNN ditemukan hanya diperoleh 3 variasi nilai akurasi untuk semua jumlah neuron yang diberikan, yaitu 0%, 5.556%, dan 11.11%. Prosentase akurasi tertinggi dicapai saat jumlah neuron 30, 35, 45, atau 70.

Prosentase akurasi tertinggi nilai yang diperoleh tersebut lebih kecil jika dibandingkan dengan menggunakan metode SVM. Pada kasus ini, kemungkinan penyebabnya adalah bahwa keberhasilan klasifikasi dengan CNN memang tidak hanya terkait fungsi yang digunakan, jumlah neuron dan dan jumlah hidden layer. Faktor lainnya adalah pemilihan algoritma untuk penyiapan data, kualitas gambar atau adanya derau dalam gambar.

Prosentase akurasi yang diperoleh pada Tabel 3 juga semakin kecil, jika dibandingkan dengan hasil dari metode klasifikasi SVM. Terdapat perbedaan hasil akurasi yang tertinggi antara data latih dan data uji dari kesimpulan sebelumnya. Dengan data latih, akurasi terbaik diperoleh dengan metode klasifikasi CNN, namun akurasi untuk data uji terbaik saat digunakan metode SVM.

4. KESIMPULAN

Nilai prosentase akurasi data latih citra aksara Bali untuk diklasifikasikan yang ditemukan pada studi ini, telah memberikan petunjuk bahwa memungkinkan diimplementasikannya berbagai tahapan dalam studi ini untuk pengembangan sistem transliterasi citra aksara Bali menggunakan ciri momen invarian dan algoritma klasifikasi SVM atau CNN. Agar diperoleh hasil akurasi yang optimal, sebelum data diproses untuk diklasifikasikan, data-data harus disamakan dulu propertinya, yaitu dalam ukuran piksel maupun dan ketebalannya.

Dari studi ini juga didapatkan kesimpulan bahwa penggunaan kernel linear pada klasifikasi SVM mempunyai kemungkinan memberikan hasil paling optimal. Sedangkan untuk klasifikasi dengan CNN, parameter yang memberikan hasil optimal terjadi jika jumlah hidden layernya 2 dengan jumlah neuron 55, model pelatihan Trainglm dan fungsi aktivasi Logsig.

(9)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 580-589 E- ISSN 2503-2933 588

_

5. SARAN

Perlu adanya penelitian lanjut untuk meningkatkan akurasi proses klasifikasi menggunakan SVM atau CNN dengan cara memaksimalkan proses penyiapan data citra yang digunakan.

UCAPAN TERIMA KASIH

Penulis mengucapkan terima kasih kepada LPPM Universitas Sanata Dharma yang telah memberi dukungan pendanaan, dan kepada Sdr. Bagus Tri Gularso serta Rezky yang telah membantu dalam pengolahan data penelitian.

DAFTAR PUSTAKA

[1] I. W. A. S. Darma and N. P. Sutramiani, "Segmentation of Balinese Script on Lontar Manuscripts using Projection Profile," in 2019 5th International Conference on New Media Studies (CONMEDIA), Bali, 2019.

[2] I. B. P. Manuaba and K. A. T. Indah, "The Object Detection System of Balinese Script On Traditional Balinese Manuscript With Findcontours Method," Matrix: Jurnal Manajemen Teknologi dan Informatika, Vol. 11, No. 3, pp. 177-184, 2021.

[3] N. P. Sutramiani, N. Suciati and D. Siahaan, "Transfer Learning on Balinese Character Recognition of Lontar Manuscript Using MobileNet," in 4th International Conference on Informatics and Computational Sciences (ICICoS), Semarang, 2020.

[4] O. Sudana, I. W. Gunaya and I. K. G. D. Putra, "Handwriting Identification Using Deep Convolutional Neural Network Method," TELKOMNIKA Telecommunication, Computing, Electronics and Control, Vol. 18, No. 4, p. 1934~1941, 2020.

[5] C. K. Dewa, A. L. Fadhilah and Afiahayati, "Convolutional Neural Networks for Handwritten Javanese Character Recognition," IJCCS (Indonesian Journal of Computing and Cybernetics Systems), Vol. 12, No. 1, p. 83~94, 2018.

[6] I. S. Hanindria and Hendry, "Pengklasifikasian Aksara Jawa Metode Convolutional Neural Network," JATISI (Jurnal Teknik Informatika dan Sistem Informasi), Vol. 9, No. 3, pp.

2727 - 2736, 2022.

[7] R. Yulianti, I. G. P. S. Wijaya and F. Bimantoro, "Pengenalan Pola Tulisan Tangan Suku Kata Aksara Sasak Menggunakan Metode Moment Invariant dan Support Vector Machine," J-COSINE, Vol. 3, No. 2, pp. 91-98, 2019.

[8] M. S. Kadhm and A. K. A. Hassan, "Handwriting Word Recognition Based on SVM Classifier," (IJACSA) International Journal of Advanced Computer Science and Applications, Vol. 6, No. 11, pp. 64-68, 2015.

(10)

589 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 580-589 E-ISSN 2503-2933

[9] M. Salam and A. A. Hassan, "Offline Isolated Arabic Handwriting Character Recognition System Based on SVM," The International Arab Journal of Information Technology, Vol.

16, No. 3, pp. 467-472, 2019.

[10] S. W. Sihwi, K. Fikri and A. Aziz, "Dysgraphia Identification from Handwriting with Support Vector Machine Method," in International Conference on Electronics Representation and Algorithm (ICERA 2019), Yogyakarta, 2019.

[11] N. S. A. Yasmin, N. A. Wahab, A. . N. Anuar and M. Bob, "Performance Comparison of SVM and ANN For Aerobic Granular Sludge," Bulletin of Electrical Engineering and Informatics, vol. 8, no. 4, p. 1392~1401, 2019.

[12] M. u. Hasan, S. Ullah, M. J. Khan and K. Khurshid, "Comparative Analysis of SVM, ANN and CNN For Classifying Vegetation Species Using Hyperspectral Thermal Infrared Data," in ISPRS Geospatial Week, Enschede, The Netherlands, 2019.

[13] A. R. Widiarti and K. Pinaryanto, "Segmentasi Citra Huruf Daun Lontar," LPPM, Yogyakarta, 2019.

[14] A. R. Widiarti and C. K. Adi, "Clustering Balinese Script Image in Palm Leaf Using Hierarchical K-Means Algorithm," in International Conference on Innovation in Science and Technology (ICIST 2020), Semarang, 2020.

[15] W. Simpen, Pasang Aksara Bali, Denpasar: PT Upada Sastra, 1991.

[16] S. Theodoris and K. Koutroumbas, Pattern Recognition. 3rd Edition, San Diego: Academic Press, 2006.