PENGENALAN TULISAN
AKSARA SUNDA OFFLINE
DENGAN JARINGAN SYARAF TIRUAN
BACKPROPAGATION
Dea Rokhmatun Iradewa1, Wawan Setiawan2, Eddy Prasetyo Nugroho3
Program Studi Ilmu Komputer, FPMIPA, Universitas Pendidikan Indonesia
JL.Dr Setiabudi No. 229, Bandung, Jawa Barat, Indonesia
1[email protected] 2[email protected] 3[email protected]
Abstrak - Pengenalan tulisan tangan secara offline adalah sebuah teknik dimana input data berupa gambar karakter tulisan hasil akuisisi menggunakan scanner atau kamera digital yang
dikenali komputer sebagai sebuah himpunan piksel.
Kompleksitas pada proses pengenalan tulisan tangan semakin bertambah menginggat masing-masing sistem keaksaraan memiliki kaidah penulisan tersendiri ditambah dengan variasi tulisan dari setiap penulis yang memiliki karakteristik tersendiri. Dalam penelitian ini dilakukan pengenalan terhadap tulisan tangan aksara sunda secara offline dengan menggunakan metode Image Centroid and Zone (ICZ) dan Zone Centroid and Zone (ZCZ) dalam proses ekstraksi fitur dan dilanjutkan dengan
menerapkan metode Jaringan Syaraf Tiruan (JST)
Backpropagation dalam proses klasifikasi. Hasil pengujian dengan data yang sama dengan data pelatihan menghasilkan akurasi pengenalan rata-rata sebesar 99,89 %. Sedangkan hasil pengujian dengan menggunakan k-fold cross validation dengan nilai k=6 menghasilkan akurasi pengenalan rata-rata sebesar 91,89 %.
Kata Kunci : aksara sunda, backpropagation, pengenalan tulisan, ICZ, ZCZ
I. PENDAHULUAN
Salah satu bagian pengenalan pola yang cukup menarik perhatian para peneliti adalah pengenalan pola tulisan. Terdapat beberapa penelitian sebelumnya yang mengangkat tema pengenalan tulisan tangan baik aksara latin seperti pada [1] maupun aksara non latin seperti pada [2]. Berbagai metode ekstraksi maupun klasifikasi dikembangkan untuk mencoba mendapatkan akurasi pengenalan yang lebih baik.
Di sisi lain, Indonesia memiliki sistem keaksaraan daerah yang beragam, beberapa diantaranya seperti aksara batak, aksara rejang, aksara kerinci, aksara lampung, aksara jawa (aksara jawa baru/ hanacaraka), aksara bali, aksara lontara, aksara kapampangan dan aksara sunda. Aksara sunda sebagai salah satu jenis aksara daerah diperkirakan telah ada sejak abad ke-5. Aksara Sunda yang digunakan saat ini
merupakan aksara sunda standard hasil penggubahan dari aksara sunda kuno [3]. Aksara sunda standar telah secara resmi terdaftar dalam direktori unicode [4] sejak tahun 2008, yang artinya aksara sunda kini telah bisa dibaca dan ditulis menggunakan aplikasi komputer melalui aplikasi pengolah kata ataupun aplikasi web.
Pengenalan aksasa sunda sebelumnya telah dilakukan oleh [5] dengan menggunakan kohonen neural network. Pada penelitian tersebut dilakukan pengenalan tulisan aksara sunda online, dengan persentasi keberhasilan tertinggi sebesar 76,52%. Penelitian tentang aksara sunda lainnya juga dilakukan oleh [6] yang menggunakan metode zoning dan klasifikasi dengan SVM. Tulisan aksara sunda yang dikenali merupakan tulisan aksara sunda cetak jenis font sundanese unicode. Hasilnya menunjukan akurasi tersebesar 93,99%
Pada penelitian ini, dilakukan pengenalan tulisan tangan aksara sunda offline dengan jaringan saraf tiruan backpropagation sebagai metode klasifikasi dan gabungan metode zoning Image Centroid and Zone (ICZ) dan Zone Centroid and Zone (ZCZ) sebagai metode ekstraksi fitur.
II. LANDASAN TEORI
A. Aksara Sunda
Secara historis, keberadaan sistem tulisan masyarakat sunda sudah diketahui sejak abad 5 masehi. Hal itu tampak pada prasasti-prasasti sejak zaman kerajaan Tarumanegara yang sebagian besar telah dibicarakan oleh Kern (1917) dalam buku yang berjudul Versvreide Geschriften; Inschripties van den Indichen Archipel [3]. Dalam upaya melestarikan dan memasyarakatkan aksara sunda sebagai suatu kekayaan budaya lokal jawa barat, pemerintah provinsi jawa barat telah menetapkan suatu standard baku sistem penulisan aksara sunda. Penetapan aksara sunda standard tersebut dilakukan melalui Surat Keputusan Jawa Barat No. 434/SK.614-Dis.PK/99 mengenai Pembakuan Aksara Sunda, Peraturan
Daerah Propinsi Jawa Barat Nomor 5 Tahun 2003 tentang Pemeliharaan Bahasa, Sastra dan Aksara Daerah yang diikuti dengan petunjuk pelaksanaan dalam SK Gubernur Jawa Barat Nomor 3 Tahun 2004.
Aksara Sunda berjumlah 30 buah yang terdiri atas 7 vokal mandiri atau swara (a, é, i, o, u, e) dan 23 konsonan atau aksara ngalagena (ka-ga-nga, ca-ja-nya, ta-da-na, pa-ba-ma, ya-ra-la, wa-sa-ha, fa-va-qa-xa-za). Selain itu, dalam sistem penulisan aksara sunda, juga dikenal tanda vokalisasi atau pengubah suara, yaitu rarangkén atau penanda bunyi yang berfungsi untuk mengubah, menambah maupun menghilangkan bunyi vokal dari aksara ngalagena (konsonan). Daftar karakter aksara sunda standard yang telah terdaftar pada direktori unicode bisa dilihat pada tabel I dan tabel 2
TABELI
UNICODE AKSARA SUNDA NGALAGENA [4] Kode unicode Kode ASCII Karakter Aksara sunda Keterangan Bunyi (aksara latin) 1B8A 7050 ᮊ KA 1B8B 7051 ᮋ QA 1B8C 7052 ᮌ GA 1B8D 7053 ᮍ NGA 1B8E 7054 ᮎ CA 1B8F 7055 ᮏ JA 1B90 7056 ᮐ ZA 1B91 7057 ᮑ NYA 1B92 7058 ᮒ TA 1B93 7059 ᮓ DA 1B94 7060 ᮔ NA 1B95 7061 ᮕ PA 1B96 7062 ᮖ FA 1B97 7063 ᮗ VA 1B98 7064 ᮘ BA 1B99 7065 ᮙ MA 1B9A 7066 ᮚ YA 1B9B 7067 ᮛ RA 1B9C 7068 ᮜ LA 1B9D 7069 ᮝ WA 1B9E 7070 ᮞ SA 1B9F 7071 ᮟ XA 1BA0 7072 ᮠ HA TABELII
UNICODE AKSARA SUNDA SWARA [4]
Kode unicode Kode
ASCII Karakter Aksara sunda Keterangan Bunyi (aksara latin) 1B83 7043 ᮃ A 1B84 7044 ᮄ I 1B85 7045 ᮅ U 1B86 7046 ᮆ É 1B87 7047 ᮇ O 1B88 7048 ᮈ E 1B89 7049 ᮉ EU B. Praproses Image
Prapemrosesan image merupakan tahap awal yang dilakukan sebelum melakukan proses selanjutnya. meliputi graycaling, thresholding, segmentasi, thinning, dan resizing.
Masukan proses ini berupa image RGB dan menghasilkan keluaran berupa image biner dengan ukuran 24 x24 piksel
Gambar 1 Perbedaan gambar sebelum dan setelah praproses image
C. Metode Zoning
Metode zoning merupakan salah satu metode ekstraksi ciri pada citra karakter. Secara umum metode ekstraksi ciri zoning dilakukan dengan membagi sebuah citra kedalam nxm zona kemudian dihitung nilai pada setiap zona tersebut. Metode zoning yang digunakan dalam penelitian ini adalah metode Image Centroid and Zone (ICZ) dan Zone Centroid and Zone (ZCZ) seperti yang dijelaskan pada [13] [14]
Image Centroid and Zone (ICZ) merupakan salah satu metode zoning dengan menghitung jarak rata-rata setiap titik pixel image pada zona tertentu terhadap centroid image. Sedangkan Zone Centroid and Zone (ICZ) merupakan metode ekstraksi fitur yang berdasarkan pada jarak antara piksel pada zona tertentu dengan centroid zona tersebut [8]
Gambar berukuran yang telah dinormalisasi menjadi 24x24 piksel akan dibagi kedalam 6x6 = 36 zona seperti terlihat pada gambar 2. Masing masing zona akan memiliki ukuran 4x4 piksel. Untuk setiap zona kemudian dilakukan perhitungan berdasar algoritma ICZ dan ZCZ
Gambar 2 Gambar dibagi kedalam 6x6 zona
Tahapan algoritma Image Centroid and Zone : 1. Hitung centroid (pusat) citra masukan
2. Bagi citra menjadi n zona yang sama
3. Untuk setiap zona n, jika pada zona n tidak terdapat piksel bernilai 1, maka ciri ke-n = -1. Jika terdapat piksel bernilai 1, lakukan langkah 4.
4. hitung jarak antara centoid citra dengan semua piksel pada zona tersebut
5. Hitung jarak rata-rata pada zona n (ciri ke-n) 6. Ulangi langkah 3 untuk semua zona
7. Hasil akhir didapatkan n ciri
Tahapan algoritma Zone Centroid and Zone : 1. Bagi citra kedalam n zona yang sama
2. Untuk setiap zona n, jika pada zona n tidak terdapat piksel bernilai 1, maka ciri ke-n = -1. Jika terdapat piksel bernilai 1, lakukan langkah 3.
3. Hitung nilai cenroid zona tersebut
4. Untuk piksel pada zona n, hitung jarak antara centroid zona dengan semua piksel pada zona tersebut
5. Hitung jarak rata-rata pada zona n 6. Ulangi langkah 2 untuk setiap zona n 7. Hasil akhir didapatkan n ciri
Hasil dari ekstraksi fitur dengan dua metode ini akan menghasilkan 72 fitur masing-masing 32 fitur ICZ dan 32 fitur. Fitur hasil ekstraksi ini kemudian akan menjadi input jaringan syaraf tiruan backpropagation dalam proses klasifikasi
D. Jaringan Syaraf Tiruan Backpropagation
Backpropagation merupakan algoritma pembelajaran yang terawasi dengan dengan layer jamak (Multilayer Network). Seperti halnya model jaringan syaraf tiruan lainnya, backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa (tidak sama) dengan pola yang dipakai selama pelatihan. Inti algoritma belajar Backpropagation terletak pada kemampuannya untuk mengubah nilai-nilai bobotnya untuk menanggapi adanya kesalahan. Algoritma backpropagation menggunakan menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward) [12].
1) Arsitektur Jaringan Backpropagation
Setiap unit dari layer input pada jaringan backpropagation selalu terhubung dengan setiap unit yang berada pada layer tersembunyi, demikian juga setiap unit layer tersembunyi selalu terhubung dengan unit pada layer output. Pada penelitan ini digunakan jaringan dengan 3 layer, yang masing-masing terdiri dari:
1. Lapisan input yang terdiri dari 72 unit input (jumlah fitur setiap karakter)
2. Lapisan tersembunyi terdiri dari 200 unit
3. Lapisan output yang terdiri dari 30. Masing-masing merepresentasikan target output tiap karakter
2) Algoritma Backpropagation
Algoritma pelatihan pada backproopagation dapat dijelaskan sebagai berikut [10] :
Langkah 0 : inisiasi semua bobot dengan menggunkan metode nguyen-widrow
Langkah 1 : jika kondisi penghentian belum terpenuhi, lakukan langkah 2-9
Langkah 2 : Untuk setiap pasang data pelatihan, lakukan langkah 3-8
Fase I Propagasi Maju :
Langkah 3 : tiap unit masukan (Xi, i=1...n) menerima
signal dan melanjutkan ke unit tersembunyi di atasnya
Langkah 4 : hitung semua keluaran di unit tersembunyi Zj,
(j=1...p), jumlahkan bobot signal inputnya
tetapkan fungsi aktivasi untuk menghitung signal keluaran, dan mengirim signal ini ke seluruh unit layer diatasnya (layer output)
Langkah 5 : Tiap unit keluaran (Yk, k=1...m), jumlahkan
bobot signal keluarannya
tetapkan fungsi aktivasi untuk menghitung signal keluaran, dan mengirim signal ini ke seluruh unit layer diatasnya (layer output)
Fase II Propagasi mundur :
Langkah 6 : Tiap unit keluaran (Yk, k=1...m), menerima
pola target dan mengacu pada target, hitung faktor unit keluaran berdasarkan kesalahan
Hitung koreksi perubahan bobot, dengan laju percepatan
Hitung koreksi bias
Kirim signal ke lapis sebelumnya Langkah 7 : Tiap unit tersembunyi Zj, (j=1...p), hitung
faktor unit tersembunyi berdasarkan kesalahan di unit tersembunyi
Kalikan dengan turunan fungsi aktivasi untuk mencari faktor
Hitung bobot koreksi
Fase III Perubahan bobot :
Langkah 8 : Hitung semua perubahan bobot
Tiap unit keluaran (Yk, k=1...m), dan bobot
dan bias nya (k= 0...p)
Tiap unit tersembunyi (Zj, j=1...p), dan bobot
dan bias nya (i= 0...n)
Langkah 9 : Uji kondisi penghentian, jika kondisi penghentian terpenuhi hentikan pelatihan Nilai parameter yang digunakan pada jaringan backpropagation ditetapkan sebagai berikut :
Learning rate : 0.2 Momentum : 0.2 Target MSE : 0.001 Eppoch : 5000
Arsitektur jaringan syaraf tiruan backpropagation yang digunakan dapat dilihat pada tabel III berikut ini
TABELIIII
ARSITEKTUR JARINGAN BACKPROPAGATION
Arsitektur jaringan keterangan
Input 72 Hidden 150 Output 30 Eppoch 5000 Learning rate 0.2 Momentum 0.2
Target error (mse) 0.0001 Fungsi aktivasi Sigmoid biner
Inisialiasi bobot Nguyen-Widrow
III.HASIL PENELITIAN
A. Pengujian Dengan Data Yang Sama Dengan Data Pelatihan
Pada skenario ini, jaringan akan diuji dengan menggunakan data yang sama dengan yang digunakan pada proses pelatihan. Tujuan dari pengujian ini adalah untuk mengetahui kemampuan jaringan dalam mengingat proses pelatihan yang dilakukan sebelumnya. Pengujian dilakukan sebanyak tiga kali dengan menggunakan jumlah data yang berbeda. Data dibagi kedalam 6 subset (S1, S2, S3, S4, S5, S6) dengan masing-masing subset memiliki jumlah data yang sama untuk setiap kombinasi.
TABELIVI
HASIL PENGUJIAN DENGAN DATASET PELATIHAN
uji ke
Data pelatihan / pengujian
Akurasi pengenalan Data yang digunakan Jumlah data 1 S1 150 100 % 2 S1, S2, S3 450 100 % 3 S1, S2, S3, S4, S5, S6 900 99,67 % Rata-rata 99,89 %
Dari tiga kali pengujian dengan jumlah data yang berbeda, didapat rata-rata akurasi pengenalan sebesar 99,89 %. Pada pengujian ke-1 dengan dan ke-2 semua karakter dapat dikenali, sedangkan pada pengujian ke-3 terdapat 3 karakter yang salah dikenali, yaitu masing-masing satu buah karakter
ᮑ, ᮓ dan ᮅ seperti ditunjukan pada tabel berikut
TABEL ERROR!NO TEXT OF SPECIFIED STYLE IN DOCUMENT. KARAKTER YANG SALAH DIKENALI
Target Seharusnya Dikenali Sebagai
ᮑ NYA ᮚ YA
ᮓ DA ᮄ I
ᮅ U ᮏ JA
B. Pengujian Dengan 8-fold Cross Validation
Pada skenario ini digunakan data pengujian yang berbeda dengan data yang digunakan dalam proses pelatihan jaringan. Tujuan dari pengujian ini adalah untuk memvalidasi kemampuan jaringan dalam mengenali data karakter yang sejenis namun tidak sama persis dengan data yang digunakan dalam proses pelatihan. Pada skenario ini digunkan metode k-fold cross validation dengan nilai k=6. Data dibagi kedalam 6 subset (S1, S2, S3, S4, S5, S6) dengan masing-masing subset memiliki jumlah data yang sama untuk setiap kombinasi
TABELV
HASIL PENGUJIAN DENGAN 6-FOLD CROSS VALIDATION Uji ke Data pelatihan Data pengujian Akurasi pengenalan 1 S2, S3, S4, S5, S6 S1 86,67 % 2 S1, S3, S4, S5, S6 S2 92 % 3 S1, S2, S4, S5, S6 S3 94 % 4 S1, S2, S3, S5, S6 S4 96 % 5 S1, S2, S3, S4, S6 S5 94 % 6 S1, S2, S3, S4, S5 S6 88,67 % Rata-rata 91,89 %
Gambar berikut menjukan grafik persentase akurasi pengenalan untuk masing-masing pengujian dengan 6-fold cross validation
Gambar 3 Grafik akurasi pengenalan 6-fold cross validation
Dari pengujian dengan 6-fold validation didapatkan rata-rata akurasi pengenalan yang sangat tinggi yaitu sebesar 91,89 %. Hal ini menunjukkan bahwa jaringan mampu mengenali variasi tulisan yang berbeda dengan tulisan karakter yang digunakan dalam proses pelatihan.
Dari 6 kali pengujian yang dilakukan, jumlah total kesalahan pengenalan karakter berdasarkan jenis karakter yang dikenali dapat dilihat pada grafik berikut
Gambar 4 Total jumlah kesalahan pengenalan tiap karakter
IV.PENUTUP
A. Kesimpulan
Setelah dilakukan penelitian Pengenalan Tulisan Aksara Sunda Offline Dengan Jaringan Syaraf Tiruan Backpropagation, dan dilakukan pengujian terhadap kemampuan jaringan syaraf tiruan backpropagation dalam mengenali karakter aksara sunda, maka dapat diambil kesimpulan sebagai berikut :
1. Metode Image Centroid and Zone (ICZ) dan Zone Centoid and Zone (ZCZ) dapat diterapkan untuk melakukan ekstraksi fitur tulisan aksara sunda yang membedakan satu karakter dengan karakter lainnya.
2. Implementasi jaringan syaraf tiruan backpropagation dan metode Image Centroid and Zone (ICZ) dan Zone Centoid and Zone (ZCZ) yang digunakan pada proses ektraksi fitur terbukti mampu mengenali karakter aksara sunda dengan baik. Terbukti dengan hasil pengujian yang dilakukan menunjukan persentase keberhasilan yang tinggi.
3. Hasil pengujian jaringan dengan dengan menggunakan data yang sama dengan data yang digunakan dalam proses pelatihan menunjukan persentase akurasi yang sangat tinggi yaitu rata-rata sebesar 99,89 %. Hal ini menunjukan bahwa jaringan syaraf tiruan yang dibangun memiliki kemampuan yang sangat baik dalam pengingat proses pelatihan yang dilakukan sebelumnya.
4. Hasil pengujian dengan k- fold cross validation dimana data pengujian berbeda dengan data pelatihan menunjukan perentase keberhasilan yang tinggi yaitu rata-rata 91,89%. Hal ini membuktikan bakwa sensitifitas jaringan dalam melakukan pengenalan pola yang berbeda dengan pola data yang dilatihkan pada jaringan sangat baik. Oleh karena itu penggabungan jaringan syaraf tiruan backpropagation dan metode Image Centroid and Zone (ICZ) dan Zone Centoid and Zone (ZCZ) terbukti cocok untuk diterapkan dalam proses pengenalan karakter tulisan aksara sunda
B. Saran
Beberapa saran yang diberikan untuk terkait penelitian ini antara lain :
1. Pada penelitian ini, sistem hanya mampu mengenali satu karakter tungga saja, diharapkan pada penelitan selanjutnya dapat dikembangkan dikembang agar mampu mengenali kata atau kalimat dalam tulisan aksara sunda 2. Pada penelitian selanjurnya perlu dicoba menerapkan
metode jaringan syaraf tiruan backpropagation dengan metode ekstraksi fitur lainnya sehingga menghasilkan akurasi yang lebih tinggi
3. Penelitian selanjutnya diharapkan dapat mengatasi mengembangkan sistem ini pada mobile application
DAFTAR PUSTAKA
[1] Andi Wahju Rahardjo Emanuel, Arie Hartono, "Pengembangan Aplikasi Pengenalan Karaketer Alfanumerik Dengan Menggunakan Algoritma Neural Network Three-Layer Backpropagation," Jurusan S1 Teknik Informatika Fakultas Teknologi Informasi, Universitas Kristen Maranatha, Bandung, 2008.
[2] Tacbir Hendro P, Agus Komarudin, Dila Fadhilah, "Pengenalan Pola Huruf Arab menggunakan Jaringan Syaraf Tiruan dengan Metode Backpropagation," in Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) , Medan, 2012.
[3] Gregorius S. Budhi, Ibnu Gunawan, Steven Jaowry, "Metode Jaringan Saraf Tiruan Backpropagation untuk Pengenalan Huruf Cetak pada Citra Digital," [Online]. Available: http://fportfolio.petra.ac.id/user_files/02-030/TE-12.DOC.
[4] D. . P. Sinambela and S. H. Sitorus, "Pengenalan Karakter Tulisan Tangan Latin pada Jaringan Saraf Tiruan Metode Backpropagation dengan Input Citra Kamera Digital," Jurnal CORE IT, vol. I, no. 2, 2013.
[5] K. Febrianto, "Penerapan Fuzzy Geature Extraction dan Jaringan Syaraf Tiruan Resilent Propagation Dalam Pengenalan Tulisan Tangan Katakana," Universitas Pendidikan Indonesia, Bandung, 2010. [6] Saepudin, "Penerapan Support Vector Machine Dalam Pengenalan
Tulisan Tangan Huruf Hiragana," Universitas Pendidikan Indonesia, Bandung, 2013.
[7] Mubarok, "Pengenalan Tulisan Tangan Aksara Sunda Menggunakan Kohonen Neural Network," Universitas Pendidikan Indonesia, Bandung, 2010.
[8] A. Ridwan, "Pengenalan Tulisan Tangan Aksara Sunda Ngalagena Dengan Algoritma Fuzzy C-Means," Universitas Pendidikan Indonesia, Bandung, 2010.
[9] Mulia I. , Mushthofa, "Sundanese Script Recognition Using Zoning Feature Extraction and Support Vector Machine Classification," Inovasi, vol. 21, no. 1, pp. 37-42, 2013.
[10] I. Baidillah, U. A. Darsa, O. Abdurahman, P. Tedi and G. Gunardi, Direktori Aksara Sunda Untuk Unicode, Bandung: Dinas Pendidikan Provinsi Jawa Barat, 2008.
[11] Unicode, "Sundanese Unicode Standard v 6.3," [Online]. Available: http://www.unicode.org/charts/PDF/U1B80.pdf. [Accessed 22 12 2013]. [12] S. Kusumadewi, Membangun Jaringan Syaraf Tiruan menggunakan
Matlab dan Excel Link, Yogyakarta: Graha Ilmu, 2004.
[13] S. V. Rajashekararadhya and V. Ranjan, "Handwritten Numeral/Mixed Numerals Recognition Of South-Indian Scripts: The Zonebased Feature Extraction Method," Journal of Theoretical and Applied Information Technology, pp. 67-79, 2009.
Extration Algorithm For Handwritten Numeral Recognition Of Four Popular South Indian Scripts," Journal of Theoretical and Applied Information Technology, pp. 1171-1181, 2008.
[15] D. Putra, Pengolahan Citra Digital, Yogtakarta: Andi, 2010. [16] Janner Simarmata, Tintin Chandra, Grafika Komputer, Yogyakarta:
Andi, 2007.
[17] MathWorks, "Global Imaga Threshold using Otsu's Method," [Online]. Available: http://www.mathworks.com/help/images/ref/graythresh.html. [Accessed 19 Juni 2014].
[18] S. V. RAJASHEKARARADHYA, P. VANAJA RANJAN,
"HANDWRITTEN NUMERAL/MIXED NUMERALS
RECOGNITION OF SOUTH-INDIAN SCRIPTS: THE ZONE BASED FEATURE EXTRACTION METHOD," Journal of Theoretical and Applied Information Technology, vol. 7, no. 1, pp. 63-79, 2008. [19] D. Puspitaningrum, Jaringan Saraf Tiruan, Yogyakarta: Andi, 2006.
