Perkembangan Machine Learning telah memberikan dampak besar dalam berbagai bidang teknologi, termasuk dalam pengenalan pola citra (pattern recognition). Dengan teknologi ini, komputer dapat mempelajari karakteristik data dan melakukan klasifikasi secara otomatis.

Salah satu penerapan machine learning yang menarik adalah pada pengenalan aksara daerah, seperti aksara Batak Simalungun. Aksara ini merupakan bagian dari warisan budaya Indonesia yang memiliki nilai sejarah tinggi. Namun, di era modern saat ini tidak banyak masyarakat yang mampu membaca atau mengenali bentuk aksara tersebut.

Melalui pemanfaatan pemrograman Matlab dan algoritma Jaringan Syaraf Tiruan (Artificial Neural Network) Backpropagation, sistem pengenalan pola aksara dapat dibangun untuk mengidentifikasi karakter aksara secara otomatis berdasarkan citra yang diberikan.

Artikel ini membahas implementasi sistem pengenalan aksara Batak Simalungun menggunakan Matlab GUI dengan pendekatan machine learning berbasis neural network.

Konsep Dasar Sistem Pengenalan Pola

Sistem pengenalan pola aksara yang dikembangkan terdiri dari beberapa tahapan utama, yaitu:

1. Akuisisi data citra aksara
2. Preprocessing citra
3. Ekstraksi fitur
4. Pelatihan jaringan saraf tiruan
5. Pengujian dan klasifikasi aksara

Dataset citra digunakan sebagai data pelatihan (training data) agar jaringan saraf dapat mempelajari pola dari setiap karakter aksara.

Implementasi GUI Matlab

Aplikasi dibuat menggunakan Graphical User Interface (GUI) Matlab agar pengguna dapat dengan mudah melakukan proses pelatihan dan pengujian sistem.

Fitur utama aplikasi meliputi:

• Pemilihan dataset citra
• Pelatihan jaringan saraf
• Pengujian citra aksara
• Menampilkan hasil klasifikasi huruf

Hasil Pelatihan Jaringan

Berdasarkan hasil pelatihan jaringan saraf menggunakan dataset citra aksara Batak Simalungun diperoleh hasil sebagai berikut:

Jumlah Data : 399
Data Benar : 371
Akurasi Sistem : 92.9825%

Nilai akurasi ini menunjukkan bahwa model neural network mampu mengenali pola aksara dengan tingkat keberhasilan yang cukup tinggi.

Proses Training Neural Network

Proses pelatihan menggunakan metode Scaled Conjugate Gradient Backpropagation yang merupakan salah satu metode optimasi dalam jaringan saraf tiruan.

Parameter pelatihan yang digunakan antara lain:

• Maximum Epoch : 1000
• Training Function : trainscg
• Performance Function : crossentropy

Proses pelatihan berhenti setelah mencapai jumlah epoch maksimum dengan nilai error yang semakin kecil.

Tahapan Pengolahan Citra (Image Processing)

Sebelum citra digunakan sebagai input jaringan saraf, dilakukan beberapa tahap pengolahan citra.

1. Membaca File Citra

Citra aksara dibaca dari folder dataset menggunakan fungsi Matlab berikut:

Img = imread(fullfile(nama_folder,nama_file(k).name));

2. Konversi RGB ke Grayscale

Citra RGB diubah menjadi grayscale untuk menyederhanakan informasi warna.

Img_gray = rgb2gray(Img);

3. Binarisasi Citra

Citra grayscale kemudian diubah menjadi citra biner.

bw = imbinarize(Img_gray);

4. Operasi Komplemen

Operasi ini digunakan untuk membalik warna objek dan latar belakang.

bw2 = imcomplement(bw);

5. Operasi Morfologi

Digunakan untuk menghilangkan noise kecil pada citra.

bw3 = bwareaopen(bw2,10);

6. Cropping Objek Aksara

Area citra yang mengandung objek aksara diambil menggunakan proses cropping.

[row,col] = find(bw3==1);
bw4 = imcrop(bw3,[min(col) min(row) max(col)-min(col) max(row)-min(row)]);

7. Resize dan Vektorisasi

Citra kemudian diubah menjadi ukuran 10×10 pixel dan diubah menjadi bentuk vektor.

bw5 = imresize(bw4,[10,10]);
bw6 = bw5(:);

Vektor inilah yang digunakan sebagai input jaringan saraf tiruan.

Implementasi Neural Network Matlab

Jaringan saraf dibangun menggunakan fungsi patternnet pada Matlab.

hiddenLayerSize = 100;
net = patternnet(hiddenLayerSize);

Algoritma pelatihan yang digunakan adalah:

net.trainFcn = 'trainscg';

Pengaturan pembagian data pelatihan dilakukan dengan konfigurasi berikut:

net.divideParam.trainRatio = 1;
net.divideParam.valRatio = 0;
net.divideParam.testRatio = 0;

Proses Pelatihan Jaringan

net = train(net, input, ind2vec(target));

Setelah proses pelatihan selesai, jaringan siap digunakan untuk melakukan klasifikasi citra aksara.

Pengujian Sistem dan Perhitungan Akurasi

Output jaringan dihitung menggunakan kode berikut:

output = net(input);
output = vec2ind(output);

Perhitungan akurasi sistem dilakukan menggunakan rumus:

akurasi = jumlah_benar/jumlah_data*100;

Hasil pengujian menunjukkan tingkat akurasi sistem sebesar 92.98%.

Penggunaan Machine Learning dan Neural Network dalam pengolahan citra dapat dimanfaatkan untuk berbagai aplikasi, termasuk pelestarian aksara daerah seperti aksara Batak Simalungun.

Dengan bantuan Matlab, proses pengenalan pola yang sebelumnya dilakukan secara manual kini dapat dilakukan secara otomatis, cepat, dan akurat.