PENGENALAN TULISAN TANGAN BAHASA KOREA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK ARSITEKTUR ALEXNET

Abstract

Budaya populer dari Korea Selatan atau lebih dikenal dengan Korean Wave memiliki penggemar yang besar di Indonesia. Dengan tingginya minat masyarakat terhadap budaya Korea, ketertarikan akan bahasa yang digunakan di Korea sendiri juga meningkat. Dalam pengenalan kosakata Bahasa Korea ada kemungkinan mengalami beberapa kendala dikarenakan bentuk dan pola pada huruf yang cukup sama antara satu dengan yang lainnya, tetapi makna yang terkandung didalamnya berbeda-beda. Penelitian ini bertujuan untuk mengenali tulisan tangan dalam Bahasa Korea menggunakan Convolutional Neural Network dengan arsitektur AlexNet. Dataset yang digunakan berisi 1000 citra dan dibagi menjadi 800 data latih dan 200 data uji. Penelitian terdiri dari 3 skenario yaitu penelitian menggunakan optimizer Adam, optimizer SGD dan menggunakan optimizer RMSprop. Dalam penelitian ini menggunakan batchsize sebesar 40 dan learning rate sebesar 0,0001. Penggunaan optimizer Adam, SGD dan RMSprop menghasilkan nilai precision, recall, dan accuracy yang berbeda. Hasil akurasi tertinggi pada penelitian ini diperoleh dari optimizer SGD dengan tingkat akurasi sebesar 78,5%.

Popular culture from South Korea or better known as the Korean Wave has big fans in Indonesia. With the high public interest in Korean culture, interest in the language spoken in Korea itself is also increasing. In the introduction of Korean vocabulary, it is possible to experience several obstacles because the shapes and patterns of the letters are quite the same from one another, but the meanings contained in them are different. This study aims to recognize handwriting in Korean using Convolutional Neural Network with AlexNet architecture. The dataset used contains 1000 images and is divided into 800 training data and 200 test data. The research consists of 3 scenarios, namely research using Adam optimizer, SGD optimizer and using RMSprop optimizer. In this study using a batch size of 40 and a learning rate of 0.0001. The use of Adam, SGD and RMSprop optimizers produces different values of precision, recall, and accuracy. The highest accuracy results in this study were obtained from the SGD optimizer with an accuracy rate of 78.5%.