Pengenalan Karakter Huruf Pada Gambar Tulisan Tangan Menggunakan Algoritma Convolutional Neural Network dan K-Means Clustering
Recognition of Letter Characters in Handwritten Images Using Convolutional Neural Network and K-Means Clustering Algorithm
DOI:
https://doi.org/10.57152/malcom.v4i4.1451Keywords:
Convolutional Neural Network, K-Means Clustering, Pengenalan Karakter, Teknologi Digital, Tulisan TanganAbstract
Pengenalan karakter tulisan tangan adalah tantangan utama dalam berbagai aplikasi digital, disebabkan oleh variasi gaya tulisan, ukuran karakter, orientasi, dan kualitas gambar. Penelitian ini bertujuan membandingkan dua metode utama untuk pengenalan karakter tulisan tangan: Convolutional Neural Network (CNN) dan K-Means Clustering. CNN merupakan metode pembelajaran terarah yang digunakan untuk mengekstrak fitur penting dari gambar, sementara K-Means Clustering merupakan metode pembelajaran tanpa pengawasan yang mengelompokkan karakter berdasarkan kesamaan fitur. Hasil penelitian menunjukkan bahwa model CNN berhasil mencapai akurasi 90% dalam pengenalan karakter, menandakan kinerja yang sangat baik dalam mengenali pola kompleks dan variasi tulisan tangan. Sebaliknya, K-Means Clustering hanya mencapai akurasi 11%, menunjukkan bahwa metode ini kurang efektif untuk tugas pengenalan karakter tulisan tangan. Berdasarkan hasil penelitian ini, dapat disimpulkan bahwa CNN jauh lebih unggul dibandingkan dengan K-Means Clustering dalam mengatasi tantangan variasi tulisan tangan.
References
N. K. Qudsi, R. A. Asmara, and A. R. Syulistyo, “Identifikasi Citra Tulisan Tangan Digital Menggunakan Convolutional Neural Network (CNN),” Semin. Inform. Apl. Polinema, pp. 48–53, 2019.
A. Willyanto, D. Alamsyah, and H. Irsyad, “Identifikasi Tulisan Tangan Aksara Jepang Hiragana Menggunakan Metode CNN Arsitektur VGG-16,” J. Algoritm., vol. 2, no. 1, pp. 1–11, 2021.
C. Umam and L. Budi Handoko, “Convolutional Neural Network (CNN) Untuk Identifkasi Karakter Hiragana,” Pros. Semin. Nas. Lppm Ump, vol. 0, no. 0, pp. 527–533, 2020, [Online]. Available: https://semnaslppm.ump.ac.id/index.php/semnaslppm/article/view/199
A. I. Maulana, C. I. Isniawan, and M. I. Y. Mustofa, “Identifikasi Kepribadian Dari Tulisan Tangan Menggunakan Euclidean Distance,” vol. 2, pp. 177–182, 2023.
I. Khandokar, M. Hasan, F. Ernawan, S. Islam, and M. N. Kabir, “Handwritten character recognition using convolutional neural network,” J. Phys. Conf. Ser., vol. 1918, no. 4, 2021, doi: 10.1088/1742-6596/1918/4/042152.
C. K. Dewa, A. L. Fadhilah, and A. Afiahayati, “Convolutional Neural Networks for Handwritten Javanese Character Recognition,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 12, no. 1, p. 83, 2018, doi: 10.22146/ijccs.31144.
A. Bwatiramba and S. Venkataraman, “Handwritten Character Recognition Using Deep Learning (Convolutional Neural Network),” Comput. Eng. Intell. Syst., no. March, 2023, doi: 10.7176/ceis/14-1-05.
J. Briliantio, N. Santosa, G. Ardian, and L. Hakim, “Penerapan Convolutional Neural Network untuk Handwriting Recognition pada Aplikasi Belajar Aritmatika Dasar Berbasis Web,” J. Tek. Inform. Unika St. Thomas, vol. 05, no. 02, pp. 137–146, 2020.
S. Prihatiningsih, N. S. M, F. Andriani, and N. Nugraha, “Analisa Performa Pengenalan Tulisan Tangan Angka Berdasarkan Jumlah Iterasi Menggunakan Metode Convolutional Neural Network,” J. Ilm. Teknol. dan Rekayasa, vol. 24, no. 1, pp. 58–66, 2019, doi: 10.35760/tr.2019.v24i1.1934.
M. B. Bora, D. Daimary, K. Amitab, and D. Kandar, “Handwritten Character Recognition from Images using CNN-ECOC,” Procedia Comput. Sci., vol. 167, no. 2019, pp. 2403–2409, 2020, doi: 10.1016/j.procs.2020.03.293.
M. T. Stefanus Christian Adi Pradhana, Untari Novia Wisesty S.T.,M.T., Febryanthi Sthevanie S.T., “Pengenalan Aksara Jawa dengan Menggunakan Metode Convolutional Neural Network,” e-Proceeding Eng., vol. 7, no. 1, pp. 2558–2567, 2020.
N. Wakhidah et al., “Penerapan Data Mining K-Means Clustering Untuk,” Transmisi, vol. 4, no. 4, pp. 241–249, 2021.
N. Wakhidah, “Clustering Menggunakan K-Means Algorithm ( K-Means Algorithm Clustering ),” Fak. Teknol. Inf., vol. 21, no. 1, pp. 70–80, 2014.
E. Fernando Ade Pratama, K. Khairil, and J. Jumadi, “Implementasi Metode K-Means Clustering Pada Segmentasi Citra Digital,” J. Media Infotama, vol. 18, no. 2, pp. 291–301, 2022.
R. A. C, S. Dev Nalluri, S. Manoj Thota, and A. Thota Asst Professor, “International Journal of Innovative Research in Computer and Communication Engineering Handwritten Digit Recognition Using CNN,” vol. 11, no. 1, pp. 8849–8858, 2023, doi: 10.15680/IJIRCCE.2023.11010012.
P. Guruprasad and D. J. Majumdar, “Optimal Clustering Technique for Handwritten Nandinagari Character Recognition,” Int. J. Comput. Appl. Technol. Res., vol. 6, no. 5, pp. 213–223, 2017, doi: 10.7753/ijcatr0605.1001.
Y. Sugianela and N. Suciati, “Javanese Document Image Recognition Using Multiclass Support Vector Machine,” CommIT J., vol. 13, no. 1, pp. 25–30, 2019, doi: 10.21512/commit.v13i1.5330.
A. Agustina, S. Suwarno, and U. Proboyekti, “Pengenalan Aksara Jawamenggunakan Learning Vector Quantization (Lvq),” Inform. J. Teknol. Komput. dan Inform., no. 1, 2011.
K. P. Sinaga and M. Yang, “Unsupervised K-Means Clustering Algorithm,” vol. 8, 2020, doi: 10.1109/ACCESS.2020.2988796.
M. H. Faishal, M. D. Sulistiyo, A. F. Ihsan, A. Info, F. R-cnn, and J. Script, “Javanese Script Letter Detection Using Faster R-CNN,” vol. 6, no. 2, pp. 243–251, 2023.
