Analisis Perbandingan Metode Pengklasifikasi Gambar Jenis Tulisan Kaligrafi Arab
DOI:
https://doi.org/10.26418/jp.v10i1.72863Keywords:
Image Classification, Convolutional Neural Network, Support Vector Machine, K-Fold Cross Validation, Kaligrafi ArabAbstract
Kaligrafi Arab atau Khat merupakan suatu ilmu atau seni penulisan yang memodifikasi huruf arab menjadi karya yang memiliki nilai estetika. Kaligrafi Arab memiliki sejarah yang sangat panjang, akan tetapi seiring berjalannya waktu, kini seni ini mulai disepelekan dan hampir dilupakan serta dengan banyaknya variasi jenis khat ini, membedakan jenis khat satu dan lainnya merupakan hal yang sulit bagi orang awam dan hanya dapat dipahami oleh orang yang mempelajarinya secara khusus. Penelitian ini menganalisis perbandingan metode Convolutional Neural Network (CNN) dan Support Vector Machine (SVM) dalam penerapan model untuk melakukan klasifikasi gambar berdasarkan jenis tulisan kaligrafi Arab. Dataset (kumpulan data) yang akan dikumpulkan berupa citra digital yang akan diberi label berdasarkan 6 jenis kaligrafi Arab, yaitu Khat Riq"™ah, Khat Diwani, Khat Naskhi, Khat Tsuluts, Khat Farisi, Khat Kufi. Masing-masing jenis khat akan berisi 160 gambar (citra digital), sehingga total gambar (citra digital) yang akan digunakan pada penelitian ini adalah 960 gambar (citra digital). Dataset akan dibagi ke dalam data pelatihan (training set) dan data pengujian (testing set) dengan mengacu pada proporsi 90% dari dataset untuk data pelatihan dan 10% dari dataset untuk data pengujian, sehingga pada penelitian ini akan menggunakan K-Fold Cross Validation dengan nilai k = 10, yaitu akan dilakukan pengujian dan pelatihan sebanyak 10 kali (fold). Pada penelitian ini, proses tuning hyperparameter akan dilakukan saat menerapkan model CNN dan SVM, selanjutnya dilakukan pengujian performa model menggunakan Confusion Matrix pada tiap fold dari pengujian K-Fold Cross Validation. Pada model CNN, diperoleh nilai rata-rata akurasi, presisi, recall, dan skor f1 yang terbaik dengan menggunakan Arsitektur VGG19, optimizer RMSprop, dan nilai epochs = 100, yaitu 94.17%, 94.34%, 94.17%, 94.13%, serta nilai loss 0.5840. Sementara pada model SVM menghasilkan rata-rata akurasi, presisi, recall, dan skor f1 terbaik dengan menggunakan jenis kernel RBF, nilai C = 2, dan nilai gamma = 0.001, yaitu 76.25%, 77.06%, 76.25%, dan 75.87%. Berdasarkan pada hasil tersebut, dapat disimpulkan bahwa kinerja algoritma CNN memberikan performa yang lebih unggul daripada algoritma SVM dalam mengklasifikasikan gambar berdasarkan jenis tulisan kaligrafi Arab.
References
S. Abburu and S. Babu Golla, “Satellite Image Classification Methods and Techniques: A Review,†Int. J. Comput. Appl., vol. 119, no. 8, pp. 20–25, 2015, doi: 10.5120/21088-3779.
A. Akbar, Kaidah Menulis dan Karya Master Kaligrafi Islam. Pustaka Firdaus, 1995.
N. N. F. Auliya, “Etnomatematika Kaligrafi Sebagai Sumber Belajar Matematika Di Madrasah Ibtidaiyah,†J. Pendidik. Mat., vol. 1, no. 2, 2019, doi: 10.21043/jpm.v1i2.4879.
S. Wijaya, “Kemampuan Santri dalam Menulis Khat Naskhi pada Pelajaran Kaligrafi di Madrasah Tsanawiyah Pondok Pesantren Dar el Hikmah Pekanbaru,†Universitas Islam Negeri Sultan Syarif Kasim Riau, 2010.
O. V. Putra, A. Musthafa, M. Nur, and M. Rido, “Classification of Calligraphy Writing Types Using Convolutional Neural Network Method (CNN),†Procedia Eng. Life Sci., vol. 2, no. 1, pp. 2–8, 2021, doi: 10.21070/pels.v2i0.1136.
Suyanto, Machine Learning Tingkat Dasar dan Lanjut. Bandung: Informatika, 2018.
J. W. G. Putra, Pengenalan Konsep Pembelajaran Mesin dan Deep Learning. Tokyo, Jepang, 2020.
Ramadhani, F. Arnia, and R. Muharar, “Klasifikasi Otomatis Motif Tekstil Menggunakan Support Vector Machine Multi Kelas,†J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 1, pp. 99–108, 2020, doi: 10.25126/jtiik.202071428.
D. Putra, Pengolahan Citra Digital. Yogyakarta: ANDI, 2010.
A. Kadir, Dasar pengolahan citra dengan delphi. Yogyakarta: ANDI, 2013.
Sriani and M. Ikhsan, “Implementasi Kompresi Citra Digital Menggunakan Algoritma Wavelet,†2016.
A. Kadir and A. Susanto, Teori dan Aplikasi Pengolahan Citra. Yogyakarta: Andi Offset, 2013.
N. I. Widiastuti, E. Rainarli, and K. E. Dewi, “Peringkasan dan Support Vector Machine pada Klasifikasi Dokumen,†J. Infotel, vol. 9, no. 4, p. 416, 2017, doi: 10.20895/infotel.v9i4.312.
A. A. Ni’ma, “Penggunaan Seni Kaligrafi Dalam Pembelajaran Keterampilan Menulis ( Maharah Kitabah ),†Tifani, vol. 2, pp. 55–60, 2022.
S. Albawi and T. A. Mohammed, “Understanding of a Convolutional Neural Network,†2017, doi: 10.1109/ICEngTechnol.2017.8308186.
M. Islam, A. Dinh, and K. Wahid, “Detection of Potato Diseases Using Image Segmentation and Multiclass Support Vector Machine,†2017 IEEE 30th Can. Conf. Electr. Comput. Eng., pp. 8–11, 2017, doi: 10.1109/CCECE.2017.7946594.
M. Athoillah, “Metode Klasifikasi Berbasis Multi Kernel dengan Pembelajaran yang Bertambah untuk Temu Kembali Citra,†INSTITUT TEKNOLOGI SEPULUH NOPEMBER, 2015.
D. Rohpandi, A. Sugiharto, and G. A. Winara, “Aplikasi Pengolahan Citra Dalam Pengenalan Pola Huruf Ngalagena Menggunakan MATLAB,†Konf. Nas. Sist. Inform., pp. 772–777, 2015.
R. V. Kurup, S. Vishvanathan, and S. Kp, Effect of Data Pre-processing on Brain Tumor Classification Using Capsulenet. Springer Singapore, 2020.
P. D. P. Silitonga and R. Damanik, “Perbandingan Algoritma k-Nearest Neighbors ( k-NN ) dan Support Vector Machines ( SVM ) untuk Klasifikasi Pengenalan Citra Wajah,†Inf. Commun. Technol., vol. 20, pp. 186–191, 2021.
S. Rahmadanti, “IMPLEMENTASI METODE K- NEAREST NEIGHBOR DALAM MENENTUKAN KUALITAS MASSA BATUAN SKRIPSI,†Universitas Islam Riau, 2020.
K. Alexander, “Implementasi CNN untuk Pengenalan Emosi Berdasarkan Ekspresi Wajah pada Aplikasi Berbasis Web,†Universitas Multimedia Nusantara, 2021.
K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,†3rd Int. Conf. Learn. Represent. ICLR 2015 - Conf. Track Proc., pp. 1–14, 2015.
