Pengenalan pola tulisan tangan aksara Jawa Nglegeno dengan multiclass support vector machines (SVM)

NUGRAHA, Azis Wisnu Widhi, Prof. Adhi Susanto, M.Sc., Ph.D

2009 | Tesis | S2 Teknik Elektro

Pengembangan sistem pengenalan tulisan tangan aksara Jawa diperlukan untuk penyelamatan aksara Jawa sebagai warisan budaya. SVM (Support Vector Machines) merupakan salah satu teknik klasifikasi yang digunakan dalam pengenalan tulisan tangan dengan unjukkerja yang lebih baik dibandingkan dengan metode yang lain. Dalam penelitian ini dibangun suatu sistem pengenalan aksara Jawa Nglegeno (aksara dasar tanpa tanda baca atau “sandhangan”) dengan menggunakan Multiclass SVM. Ciri yang digunakan dalam penelitian ini adalah ciri batang dan ciri transisi. Untuk pemetaan vektor masukan pada SVM digunakan kernel Polinomial dan Gaussian Radial Basis Function (RBF). Strategi pengelompokan kelas jamak yang digunakan adalah OnevsRest dan Decision Directed Acyclic Graph (DAG) SVM. Dari penelitian ini, ternyata strategi OnevsRest membutuhkan waktu pelatihan yang jauh lebih panjang dibandingkan dengan strategi DAG SVM (berkisar antara 61 sampai dengan 81 kali). Unjukkerja terbaik sebesar 93,75% dihasilkan oleh kernel RBF dengan parameter 1. Unjukkerja ini lebih baik jika dibandingkan dengan penelitian lainnya yang dirujuk di tesis ini.

The development of a reliable handwritten Jawanese characters recognition system is important to preserve one of the Jawanese heritage. The SVM (Support Vector Machines), as one of many classification methods used currently, has exhibited better performance in handwritten character recognition compared with other methods. This paper reports the research on the handwritten basic Jawanese characters recognition system specially using Multiclass SVM. The research was based on the bar features and transition features for features extraction. To map each input vector to a high dimention space, the Polynomial and the Gaussian Radial Basis Function kernel were used. Then the OnevsRest and Decision Directed Acyclic Graph (DAG) SVM were used for the multiclass classification strategy. In the training phase, the OnevsRest strategy substantially consumed more time if compared to the DAG SVM strategy (61 to 81 times longer). The best performance is 93.75% which resulted from the RBF kernel with parameter 1. This result is better compared to those from other researches quoted in this tesis.

Kata Kunci : Pengenalan tulisan tangan,Aksara Jawa,Multiclas SVM,DAG SVM,One,vs,Rest SVM.Handwritten characters recognition,Jawanese characters,Multiclass SVM,DAG SVM,OnevsRest SVM