Pengenalan Pola Karakter Tulisan Tangan Aksara Bali Menggunakan Fitur Zoning, Direction, dan Backpropagation

p-ISSN: 2301-5373

e-ISSN: 2654-5101

Jurnal Elektronik Ilmu Komputer Udayana

Volume 11, No 3. February 2023

Pengenalan Pola Karakter Tulisan Tangan Aksara Bali Menggunakan Fitur Zoning, Direction, dan Backpropagation

I Kadek Agus Chandra Pradika^a1, Luh Arida Ayu Rahning Putri^a2, I Gede Santi Astawa^a3, Ida Bagus Gede Dwidasmara^a4, I Gede Arta Wibawa^a5, Made Agung Raharja^a6

^aProgram Studi Informatika, Universitas Udayana

Jl. Kampus Bukit Jimbaran, Gedung BF Jimbaran, Badung, Bali 80361, Indonesia ¹[email protected] ²[email protected] ³[email protected] ⁴[email protected] ⁵[email protected]

⁶[email protected]

Abstract

Balinese script has a character with high similarity. Identifying classes between characters requires an optimal pattern recognition model by maximizing the use of feature extraction methods. The use of feature extraction methods in the dataset aims to obtain the characteristic value of each character, in the case of Balinese script data, a method with detailed feature retrieval is used using the zoning method. This study also added the additional factor of the direction feature. The learning method uses a neural network with a backpropagation algorithm. Tests on character data get the highest accuracy in the combination of 16x16 zone ICZ + ZCZ zoning features with the addition of direction features that are 91.18%, ZCZ zone 16x16 zoning and direction with 86.82% accuracy, and ICZ zoning 16x16 and direction zones with 82.43% accuracy. The highest increase in accuracy is found in the ZCZ feature with a difference of addition of 4.36%. The implementation of the model in word testing has an accuracy of 66.2 % and the results of segmentation testing are 97.33 %.

Keywords: Balinese Script, Zoning, Direction, Neural Network, Backpropagation

• 1.    Pendahuluan

Aksara Bali merupakan simbol visual dari bahasa Bali. Aksara Bali dapat dikelompokkan berdasarkan bentuk dan fungsinya, yaitu aksara biasa dan aksara suci. Aksara biasa terdiri dari aksara wreastra dan swalalita. Disebut aksara biasa karena telah terbiasa dipergunakan oleh masyarakat Bali di dalam tulis-menulis untuk memenuhi kebutuhan kehidupan sehari-hari dalam berhubungan dengan sesama melalui aksara [1]. Aksara wreastra dipergunakan sebagai media komunikasi nonverbal, seperti menulis kesusasteraan, ilmu pengetahuan, seni budaya, hukum (awig-awig), dan lain-lain.

Perkembangan globalisasi mempengaruhi pergeseran fungsi dari aksara Bali oleh karena itu, diperlukan sistem untuk mengenali karakter atau huruf aksara Bali sebagai media pembelajaran masyarakat. Saat ini di Bali telah dilakukan berbagai upaya pelestarian aksara Bali, salah satu implementasi teknologi yang digunakan adalah pengenalan pola. Karakter yang dihasilkan dari tulisan tangan memiliki variasi berbeda-beda tergantung pada penulisnya. Satu orang bahkan dapat memiliki pola penulisan yang berbeda pada karakter yang sama. Variasi pola penulisan yang tidak konsisten menyebabkan kesulitan dalam mengenali pola karakter antar kelas. Cara mendapatkan ciri dari karakter, salah satunya dapat dilakukan dengan membagi karakter menjadi beberapa wilayah, sehingga menghasilkan set fitur yang memiliki ciri unik pada satu karakter. Pendekatan metode ekstraksi fitur yang menerapkan pembagian wilayah adalah metode Zoning.

Secara umum, dengan metode ekstraksi fitur zoning, citra akan dibagi menjadi beberapa zona yang berukuran sama dan diambil cirinya [2]. Keunggulan zoning dibandingkan metode lainnya, antara lain merupakan metode pencirian yang sederhana, kompleksitas yang rendah dan memiliki perhitungan

yang cepat dalam mengekstraksi ciri suatu karakter [3]. Variasi ekstraksi fitur zoning yang digunakan adalah Image Centroid and Zone (ICZ), Zone Centroid and Zone (ZCZ), dan gabungan ICZ dan ZCZ. Pengenalan menggunakan metode zoning gabungan ICZ dan ZCZ pada metode Feed Forward Backpropagation Neural Network.

Penerapan metode zoning pada aksara Bali sudah dilakukan sebelumnya oleh Wiguna dan Muliantara pada tahun 2019, dari hasil pengenalan mendapatkan akurasi sebesar 72,31%. Rendahnya nilai akurasi yang diperoleh dalam penelitian ini disebabkan oleh penggunaan metode zonasi yang terkadang memberikan nilai yang sama untuk karakter yang berbeda [4]. Pada aksara Bali terdapat beberapa karakter yang memiliki tingkat kemiripan yang tinggi. Analisa terhadap kemiripan 18 aksara wianjana mendapatkan beberapa aksara Bali yang memiliki tingkat kemiripan yang tinggi [5]. Beberapa karakter aksara Bali dengan tingkat kemiripan yang tinggi sulit untuk dikenali. Oleh karena itu, dibutuhkan sebuah metode yang sesuai untuk membedakan antar karakter, sehingga dalam proses pengenalan pola lebih akurat.

Metode ektraksi fitur zoning memerlukan tambahan metode untuk mengekstraksi ciri dari karakter aksara Bali yang memiliki tingkat kemiripan yang tinggi. Ekstraksi fitur yang mengekstraksi ciri berbasis arah garis, salah satunya adalah metode Direction. Metode ekstraksi fitur direction menghasilkan nilai label arah pada piksel foreground citra [6]. Penerapan metode direction digunakan untuk mengekstraksi fitur guratan garis pada aksara Bali, sehingga dapat mengenali aksara dengan tingkat kemiripan yang tinggi.

Berdasarkan pemaparan diatas, penulis mengajukan sebuah penelitian tentang pengenalan pola tulisan tangan aksara Bali, menggunakan metode ekstraksi fitur Zoning dengan variasi algoritma Image Centroid and Zone (ICZ), Zone Centroid and Zone (ZCZ), dan gabungan ICZ dan ZCZ dan penambahan metode ekstraksi fitur direction untuk mengekstraksi ciri karakter dengan tingkat kemiripan yang tinggi. Metode klasifikasi menggunakan Backpropagation. Penggunaan metode tersebut diharapkan dapat memberikan tingkat akurasi yang tinggi pada pengenalan pola karakter tulisan tangan aksara Bali.

• 2.    Metode Penelitian
  
  2.1.  Desain Penelitian

Secara umum desain penelitian dapat diuraikan menjadi beberapa tahapan, sebagai berikut:

• 1.    Studi Literatur: Mencari sumber-sumber penelitian yang terkait dengan penelitian.

• 2.    Pengumpulan Data: Mengumpulkan data yang digunakan dalam sistem.

• 3.    Analisis dan Desain: Menganalisa metode penelitian dan melakukan perancangan implementasi.

• 4.    Implementasi: Mengimplementasikan metode yang dikaji ke dalam rancangan sistem.

• 5.    Pengujian: Pengujian akurasi dari metode yang digunakan dalam sistem.

Alur penelitian pada pengenalan pola karakter tulisan tangan aksara Bali ditunjukkan pada gambar 1.

Gambar 1. Diagram Alir Alur Penelitian

• 2.2.    Pengumpulan Data

Jenis data yang digunakan dalam penelitian ini adalah data primer. Terdapat dua tipe masukan data yang digunakan. Pertama adalah citra digital tulisan tangan huruf aksara Bali, meliputi aksara wianjana, gantungan dan gempelan aksara wianjana, pengangge suara, pengangge tengenan, dan angka Bali, data ini digunakan sebagai data latih dan pengujian untuk mengetahui akurasi setiap karakter terutama dengan kemiripan yang tinggi. Kedua adalah citra digital tulisan tangan kata aksara Bali, yang

digunakan dalam pengujian untuk mengetahui hasil pengenalan karakter yang sama pada struktur penulisan.

Target sebanyak 40 responden. Setiap responden memberikan data sampel sebanyak dua kali penulisan, sehingga total dataset adalah 4400 karakter tulisan tangan aksara Bali. Total dataset aksara didapatkan dengan mengalikan 80 data sampel dari responden dengan 55 kelas karakter yaitu 4400. Sedangkan total dataset kata yaitu 100. Jumlah dataset yang didapatkan disesuaikan dengan kebutuhan model backpropagation untuk data latih dan data uji.

• 2.3.    Prepocessing

Tahap preprocessing berguna untuk mendapatkan piksel pembentuk citra dan mereduksi noise. Pertama citra digital dikonversi menjadi citra biner melalui proses greyscaling dan thresholding menggunakan metode local adaptive thresholding. Proses menghilangkan noise pada citra biner mengggunakan filter mean. Berikutnya, citra hasil filter melalui proses thinning menggunakan metode zhang-zuen untuk mendapatkan piksel pembentuk karakter dan mempercepat komputasi pengenalan pola karena jumlah piksel menjadi lebih kecil.

• 2.4.    Segmentasi

Pada tahap segmentasi, memisahkan piksel foreground dengan background pada citra untuk memudahkan proses ekstraksi fitur. Proses segmentasi digunakan pada data kata aksara Bali, untuk mendapatkan karakter atau huruf pada kata tersebut. Metode segmentasi yang digunakan adalah proyeksi dan CCL. Metode proyeksi digunakan karena struktur dari aksara Bali memiliki pola penulisan vertikal dan horizontal. Untuk memisahkan beberapa karakter dalam satu dimensi yang sama, menggunakan metode CLL.

• 2.5.    Ekstraksi Fitur

Pada penelitian ini menggunakan ekstraksi fitur zoning dan direction. Citra hasil segmentasi akan diekstraksi menggunakan kedua metode untuk mengetahui perbandingan akurasi dengan penambahan metode direction. Terdapat tiga algoritma zoning dengan mengambil ciri metrik dari objek yaitu ICZ, ZCZ, dan gabungan ICZ dan ZCZ. Hasil dari ekstaksi fitur adalah vektor baris atau kolom satu dimensi. Ciri yang dihasilkan dari metode zoning adalah nilai rata-rata perhitungan jarak piksel dengan image centroid atau zone centroid pada setiap zona. Sedangkan, ciri yang dihasilkan dari fitur direction adalah nilai arah piksel foreground setiap zona. Data fitur yang dihasilkan akan menjadi data latih untuk sistem dan sebagai data masukan untuk proses klasifikasi pada backpropagation.

• 2.6.    Klasifikasi Backpropagation

Proses klasifikasi untuk mengenali karakter aksara Bali menggunakan metode backpropagation. Klasifikasi menggunakan backpropagation membutuhkan data masukan yaitu hasil ekstraksi fitur zoning dan direction. Data hasil ekstraksi fitur dibagi menjadi data latih dan data uji. Keluaran dari proses klasifikasi yaitu hasil pengenalan berupa nama dari 56 karakter aksara Bali. Tahap klasifikasi dibagi menjadi proses pelatihan dan pengujian.

• 3.    Hasil dan Pembahasan
  
  3.1.  Pengumpulan Data

Dataset adalah karakter tulisan tangan aksara bali. Metode pengumpulan data menggunakan kuisioner yang diisi oleh 40 orang, sehingga dataset yang didapatkan berjumlah 4400 data karakter. Data kata aksara bali yang terkumpul berjumlah 100 kata, sehingga total dataset yang terkumpul berjumlah 4500 buah. Data kata didapatkan dari tulisan tangan satu orang pakar basa bali, dengan tujuan memvalidasi kebenaran aksara yang dibutuhkan oleh sistem. Pakar beratas nama Ni Kadek Witari, S.S. seorang guru Bahasa Bali SMP PGRI 8 Denpasar. Pakar memvalidasi kata yang diajukan oleh penulis sebagai kata yang memiliki kerakter dengan kemiripan yang tinggi. Kata yang membutuhkan validasi seperti sueca, dimana kata tersebut memiliki dua karakter yang mirip yaitu SA dan CA mengacu pada penelitian (Wibawa, 2019) tentang kemiripan akrasa bali.

• 3.2.    Implementasi Sistem

Preprocessing berfungsi untuk mempersiapkan dataset berupa citra ke dalam bentuk yang lebih optimal untuk diolah atau pada tahap selanjutnya yaitu ekstraksi fitur. Pada penelitian ini proses preprocessing yang dilakukan yaitu cropping, resize, grayscaling, binerisasi, dan thinning. Citra diolah sehingga memiliki dimensi yang optimal dan pengikisan piksel atau thinning sehingga ekstraksi berfokus pada kerangka utama aksara.

• 3.3.    Implementasi Segmentasi

Proses segmentasi dalam dua proses untuk memisahkan berdasarkan baris dan karakter kata. Hitung contour citra untuk menentukan garis batas yang kontinu, diimplementasikan pada baris kode 2-3. Inisialisasi variabel untuk menentukan Region of Interest (ROI) dari citra, maka akan tercetak citra tersegmentasi berdasarkan dimensi baris, karakter dan batas piksel. Selanjutnya simpan roi sebagai gambar terpisah pada folder terpisah, diimplementasikan pada baris kode 4-5. Karakter diurutkan berdasarkan baris.

• 3.4.    Implementasi Ekstraksi Fitur

Terdapat empat fitur yang diambil dari dataset. Fitur centroid dari pusat citra, centroid dari pusat zona, gabungan keduanya, dan fitur direction. Semua fitur akan dikombinasikan untuk mendapatkan sistem pengenalan pola paling optimal.

• 3.5.    Pengujian Segmentasi

Pengujian ini bertujuan untuk mengetahui akurasi metode segmantasi yang digunakan. Berdasarkan hasil penelitian menggunakan 100 kata Aksara Bali, akurasi segmentasi sebesar 87.36 %. Hasil Pengujian Kata Aksara Bali. Hasil ini mengindikasikan bahwa medote segmentasi proyeksi dan Connect Component Labeling (CCL) sesuai diimplementasikan pada Aksara Bali. Berdasarkan penelitian, Aksara Bali dengan gantungan yang menyatu dengan aksaranya tidak dapat disegmentasi sehingga pada pengujian kata terbaca aksara lain oleh sistem.

• 3.6.    Pengujian Optimasi Parameter Neural Network
  
  3.6.1    Uji Pengaruh Hidden Layer

Pengujian ini bertujuan untuk mengetahui pengaruh jumlah hidden layer terhadap performa model neural network pada hidden layer satu sampai lima. Untuk parameter jumlah neuron, learning rate, dan epoch menggunakan nilai terendah dari setiap parameter. Hasil pengujian hidden layer ditunjukkan pada Tabel 1.

Tabel 1. Hasil Pengujian Hidden Layer

Jumlah Hidden Layer	Akurasi (%)
1	43.39
2	45.16
3	38.57
4	35.41
5	29.84

Berdasarkan hasil pengujian, jumlah hidden layer 2 memiliki performa yang lebih baik daripada hidden layer 1 atau hidden layer 3. Model dengan arsitektur hidden layer 2 dapat memberikan akurasi tertinggi yaitu sebesar 45.16 %. Oleh karena itu, hidden layer 2 dipilih untuk diujikan dengan parameter jumlah neuron.

• 3.6.2    Uji Pengaruh Neuron Hidden Layer

Pengujian ini bertujuan untuk mengetahui pengaruh jumlah neuron hidden layer terhadap performa model neural network pada neuron 32, 64, 128, 256, dan 512. Parameter lainnya yang digunakan yaitu

hidden layer 2, sedangkan untuk learning rate dan epoch menggunakan nilai terendah dari setiap parameter. Hasil pengujian neuron hidden layer ditunjukkan pada Tabel 2.

Tabel 2. Hasil Pengujian Neuron Hidden Layer

Neuron Hidden Layer	Akurasi (%)
32	32 45.16
64	46.09
128	51.16
256	58.18
512	62.05

Berdasarkan hasil pengujian, jumlah neuron hidden layer 512 memiliki performa yang lebih baik daripada neuron 32, 64, 128, dan 256. Model dengan arsitektur neuron hidden layer 512 dapat memberikan akurasi tertinggi yaitu sebesar 62.05 %. Oleh karena itu, neuron hidden layer 512 dipilih untuk diujikan dengan parameter learning rate. Berdasarkan hasil pengujian dapat disimpulkan bahwa semakin besar neuron maka semakin besar perolehan akurasi.

• 3.6.3    Uji Pengaruh Learning Rate

Learning rate merupakan salah satu parameter untuk menghitung nilai koreksi bobot pada proses pelatihan model. Pengujian ini bertujuan untuk mengetahui pengaruh nilai learning rate terhadap performa model neural network. Nilai learning rate yang digunakan yaitu 0.001, 0.002, 0.003, 0.004, dan 0.005. Parameter lainnya yang digunakan yaitu hidden layer 2, neuron 512, dan epoch menggunakan nilai terendah dari parameter. Hasil pengujian learning rate ditunjukkan pada Tabel 3.

Tabel 3. Hasil Pengujian Learning Rate

Learning Rate	Akurasi (%)
0.001	62.05
0.002	62.25
0.003	59.82
0.004	55.52
0.005	43.09

Berdasarkan hasil pengujian, learning rate 0.002 memiliki performa yang lebih baik daripada 0.001, 0.003, 0.004, dan 0.005. Model dengan arsitektur learning rate 0.002 dapat memberikan akurasi tertinggi yaitu sebesar 62.25 %. Oleh karena itu, learning rate 0.002 dipilih untuk diujikan dengan parameter epoch.

• 3.6.4    Uji Pengaruh Epoch

Pengujian ini bertujuan untuk mengetahui pengaruh jumlah epoch terhadap performa model neural network. Nilai epoch yang digunakan yaitu 100, 200, 400, 800, dan 1600. Parameter lainnya yang digunakan yaitu hidden layer 2, neuron 512, learning rate 0.002. Hasil pengujian epoch ditunjukkan pada Tabel 4.

Tabel 4. Hasil Pengujian Epoch

Epoch	Akurasi (%)
100	62.56
200	63.7
400	67.13
800	68.28
1600	70.68

Berdasarkan hasil pengujian, epoch 1600 memiliki performa yang lebih baik daripada 100, 200, 400, dan 800. Model dengan arsitektur epoch 1600 dapat memberikan akurasi tertinggi yaitu sebesar 70.68 %. Oleh karena itu, epoch 1600 dipilih untuk pengujian jenis fitur. Parameter yang terpilih yaitu jumlah hidden layer 2, neuron 512, learning rate 0.002, dan epoch 1600.

• 3.7.    Klasifikasi Menggunakan Fitur Zoning

Pengujian metode zoning terdapat sembilan skenario yaitu kombinasi pengujian pada jenis dan zona. Variasi ekstraksi fitur zoning yang digunakan yaitu ICZ, ZCZ, dan gabungan ICZ dan ZCZ, sedangkan untuk pembagian zona yaitu 4x4, 8x8, dan 16x16. Fitur berekstensi microsoft excel comma separated values (csv). Hasil pengujian metode zoning dengan variasi jumlah zona ditunjukkan pada Tabel 5.

Tabel 5. Hasil Pengujian Metode Zoning dengan Jumlah Zona Jumlah zona ICZ ZCZ ICZ dan ZCZ

(%)           (%)           (%)

4 x 4	70.68	71.85	75.94
8 x 8	80.39	85.76	86.97
16 x 16	82.43	86.82	91.18
Rata – rata	77.83	81.47	84.69

Berdasarkan hasil pengujian didapatkan kombinasi terbaik dengan akurasi pelatihan tertinggi adalah ICZ dan ZCZ zona 16x16 dengan akurasi mencapai 91.18 %. Diikuti oleh ZCZ zona 16x16 dengan akurasi 86.82 %. Berdasarkan akurasi di setiap variasi zoning, kelompok ICZ dan ZCZ memiliki rata-rata akurasi tertinggi yaitu 84.69 %. Kelompok ZCZ mendapatkan rata-rata akurasi sebesar 81.47 % dengan akurasi terbaik pada zona 16x16 yaitu sebesar 86.82 %. Kelompok ICZ mendapatkan rata-rata akurasi terkecil, sebesar 77.83 % dengan akurasi terbaik pada zona 16x16 yaitu 82.43 %.

• 3.8.    Klasifikasi Menggunakan Fitur Zoning dan Fitur Direction

Pengujian kedua adalah kombinasi ekstraksi fitur zoning dan direction. Setiap fitur zoning yang terpilih ditambahkan fitur direction. Tujuan pengujian ini adalah menambahkan kemungkinan peningkatan akurasi fitur untuk pengujian model neural network. Hasil perbandingan dari pengujian penambahan metode direction ditunjukkan pada Tabel 6.

Tabel 6. Perbandingan Akurasi Pengenalan Pola Aksara Bali

Algoritma Zoning	Akurasi Metode Zoning (%)	Akurasi Metode Zoning dengan Penambahan Direction (%)	Peningkatan Akurasi (%)
ICZ	82.43	88.85	6.42
ZCZ	86.82	96.03	9.21
ICZ dan ZCZ	91.18	97.61	6.43

Berdasarkan hasil pelatihan neural network kombinasi fitur ICZ dan ZCZ zona 16x16 dan direction mendapatkan hasil akurasi tertinggi yaitu 91.18 %. Diikuti fitur ZCZ zona 16x16 dan direction mendapatkan akurasi sebesar 86.82 %. Akurasi terendah didapatkan oleh fitur ICZ zona 16x16 dan direction dengan akurasi sebesar 82.43 %. Fitur direction ditujukan untuk menambahkan keberagaman ciri dari citra, dengan tujuan untuk meningkatkan akurasi dari metode zoning. Akurasi fitur direction sendiri sebesar 82.8 %.

• 3.9.    Identifikasi Kata Aksara Bali

Pengujian keempat adalah pengujian terhadap data kata dimana model train neural network menggunakan kombinasi fitur ICZ dan ZCZ zona 16x16 dan direction. Kata yang diuji berjumlah 100 kata. Pertama import kata dan lakukan proses preprocessing, segmentasi, ekstraksi fitur, pengenalan pola, dan prediksi per karakter dengan keluaran label karakter.

Pengujian pada dataset kata Aksara Bali mencapai tingkat akurasi 66.2 %. Dan pada akurasi segmentasi mencapai 97.33 %. Keseluruhan hasil pengujian terlampir pada Lampiran 3 Akurasi 668

Pengujian Kata Aksara Bali. Hasil ini dipengaruhi karena terdapat persamaan bentuk karakter namun berbeda kelas data dan tidak didukung penggunaan rule base untuk membedakan kedua karakter dalam satu susunan kata tersebut. Contoh pada kasus ini adalah karakter aksara NA dengan gantungan KA yang memiliki karakter yang sama namun di kelas yang berbeda. Dengan menggunakan sistem yang dirancang hanya dapat membedakan karakter berdasarkan bentuk, tidak berdasarkan letak karakter pada susunan kata. Oleh karena itu, akurasi pada pengenalan karakter tersebut cenderung rendah. Hasil pengujian pada pengenalan kata ditunjukkan pada Tabel 7.

Tabel 7. Perbandingan Akurasi Pengenalan Pola Aksara Bali

No	Data Kata	Citra	Total Karakter	Karakter Segmentasi Benar	Jumlah Karakter Benar	Akurasi Segmentasi (%)	Akurasi (%)
1	Nangka	wn	3	3	3	100	100
2	Ngaba	mim	2	2	2	100	100
3	Ngahngah	r)^m^	4	4	4	100	100
4	Jalananga	WlOTKO	4	4	4	100	100
5	Nengkek	√o    ∩	7	7	7	100	100
		Rata –	rata Akurasi			87.36	66.2

Faktor lainnya yang menentukan akurasi adalah hasil segmentasi karakter. Segmentasi memiliki kekurangan pada pemisahan karakter yang menyatu. Karakter tersebut dibaca menjadi satu karakter, sehingga kesulitan dalam mengidentifikasi kelas karakter. Contohnya pada kasus ini adalah karakter yang memiliki gantungan karena cenderung responden menuliskan gantungan menyatu dengan aksara dasarnya.

• 4.    Kesimpulan

Pada penelitian ini mendapatkan hasil pengujian dari dataset karakter dan kata Aksara Bali menggunakan empat jenis fitur dengan tiga kombinasi fitur yaitu zoning image centroid zone (ICZ), zone centroid zone (ZCZ), gabungan keduanya (ICZ+ZCZ), dan direction, serta metode pembelajaran neural network dengan backpropagation. Berdasarkan hasil penelitian, didapatkan kesimpulan sebagai berikut.

• 1.    Berdasarkan pengujian individual terhadap keempat jenis ekstraksi fitur, akurasi tertinggi didapatkan dari metode zoning ICZ dan ZCZ dengan zona 16x16 yaitu sebesar 91.18 %. Diikuti oleh zoning ZCZ zona 16x16 dengan akurasi 86.82 %, zoning ICZ zona 16x16 dengan akurasi 82.43 %, dan direction dengan akurasi 82.8 %.

• 2.    Berdasarkan pengujian kombinasi akurasi zoning sebelumnya dengan penambahan direction, akurasi tertinggi didapatkan dari metode zoning ICZ dan ZCZ dengan akurasi mencapai 97.61 %. Diikuti oleh zoning ZCZ dengan akurasi 96.03 %, dan zoning ICZ dengan akurasi 88.85 %. Peningkatan akurasi tertinggi setelah penambahan direction terdapat pada fitur ZCZ dengan kenaikan sebesar 9.21 %. Hal tersebut membuktikan bahwa penambahan fitur direction dapat memberikan peningkatan performa model pengenalan pola khususnya pada data tulisan tangan.

• 3.    Berdasarkan pengujian terhadap 100 kata mendapatkan rata-rata akurasi sebesar 66.2 %. Hasil ini disebabkan karena kesamaan bentuk karakter namun berbeda kelas dan kekurangan segmentasi pada pemisahan karakter yang menyatu.

Daftar Pustaka

• [1]    BW, T. A. Hermanto, I. G. R and D, R. N, "Pengenalan Huruf Bali Menggunakan Metode Modified Direction Feature ( MDF ) Dan Learning Vector Quantization ( LVQ)", Konferensi Nasional Sistem dan Informatika 2009, 7–12, 2009.

• [2]    I. D. A. M. Sartini, M. W. A. Kesiman and I. G. M. Darmawiguna, “Pengembangan Text to Digital Image Converter untuk Dokumen Aksara Bali”, Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), 2(1), 2013.

• [3]    I. G. A. Wibawa, “Analisa Kesamaan Aksara Bali Menggunakan Template Matching”, Jurnal Elektronik Ilmu Komputer Udayana, 8(2), 2019.

• [4]    I. K. A. G. Wiguna and A. Muliantara, “Introduction of Balinese Script Handwriting Using Zoning and Multilayer Perceptron”, International Journal of Application Computer Science and Informatic Engineering (ACSIE), 1(1), 1–10, 2019.

• [5]    I. Mulia, “Pengenalan Akasara Sunda Menggunakan Ekstraksi Ciri Zoning dan Klasifikasi Support Vector Machine. Skripsi”, Skripsi. Departemen Ilmu Komputer Fakultas Matematika Dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor, Bogor, 2012.

• [6]    R. Aristantya, I. Santoso and A. A. Zahra, ”Identifikasi Tanda Tangan Menggunakan Metode Zoning dan SVM (Support Vector Machine)”, Transient, 7(1), 174–178, 2018.

670