RANCANG BANGUN SISTEM DETEKSI HURUF RUSIA BERBASIS WEB FLASK
DOI:
https://doi.org/10.33005/santika.v2i0.108Keywords:
Deteksi Huruf, Klasifikasi, Huruf Rusia, Machine LearningAbstract
Sekarang ini perkembangan teknologi bukan hanya pada bidang teknologi saja tetapi juga pada bidang komputerisasi contohnya adalah machine learning yang mengalami perkembangan yang sangat pesat. Dalam machine learning terdapat beberapa permasalahan dan salah satunya adalah deteksi karakter tulisan tangan atau recognition handwritten. Recognition handwritten dengan penggunaan kecerdasan buatan ini masih berkembang pesat sebagai teknologi untuk menduplikasi kemampuan manusia dalam memahami informasi dari sebuah objek gambar agar komputer dapat mengenali objek pada gambar selayaknya manusia. Deteksi tulisan tangan huruf rusia diperlukan pada bidang pendidikan bahasa asing dengan tujuan mengoreksi otomatis terhadap seseorang yang ingin belajar menulis huruf rusia. Dalam pembelajaran tulisan tangan huruf rusia menggunakan jaringan saraf tiruan untuk mengenali setiap objek dua dimensi secara akurat. Adapun objek dataset huruf rusia sebanyak 17721 yang ditulis dalam alphabet cyrillic dengan terbagi menjadi 33 kelas huruf rusia. Dataset dibagi menjadi dua bagian yaitu dataset untuk pelatihan dan dataset untuk uji yang masing-masing sebanyak 80% dan 20% data. Pada pengimplementasian sistem dibangun menggunakan model software development life cycle (SDLC) yaitu model waterfall sebagai metode pembuatan perangkat lunak dan proses pengkodean basis web menggunakan framework Flask. Flask merupakan kerangka kerja untuk membangun sistem aplikasi berbasis website yang ditulis dalam bahasa pemrograman python. Hasil dalam penelitian ini adalah sebuah aplikasi berbasis website yang dapat mengenali tulisan tangan huruf rusia yang mampu mendeteksi berbagai macam bentuk kelas huruf rusia dengan jumlah 33 kelas dari huruf ah hingga zhe.
References
[2] Dewa, C. K., Fadhilah, A. L., & Afiahayati, A. “Convolutional Neural Networks (CNN) for Javanese Handwritten for Character Recognition”. IJCCS (Indonesian Journal of Computing and Cybernetics Systems), vol. 12(1), hal 83. 2018.
[3] Pradika., Nugroho., & Puspaningrum. “Pengenalan Tulisan Tangan Huruf Hijaiyah Menggunakan Metode Convolutional Neural Network”. vol. 1, hal 98. 2020.
[4] Sam’ani, & Qamaruzzaman, M. H. “Pengenalan Huruf Dan Angka Tulisan Tangan Mengunakan Metode Convolution Neural Network (CNN)”. Journal Speed – Sentra Penelitian Engineering Dan Edukasi, vol. 9(2), hal 55–64. 2017.
[5] Handono, S. F., Anggraeny, F. T., & Rahmat, B. “Implementasi Convolutional Neural Networks (CNN) untuk Deteksi Retinopati Diabetik”. Jurnal Informatika Dan Sistem Informasi (JIFoSI), vol. 1(1), hal 669–678. 2020.
[6] Cahya, F.N., Suherman, D., Aryanti, S., Angga, H.P & Saifudin, A. “Sistem Aplikasi Seleksi Sales Terbaik Dengan Pengujian Black Box Testing Menggunakan Teknik Equivalence Partitions” Jurnal Informatika Universitas Pamulang. vol. 4(4), hal 125-130. 2019.
[7] Rizky, D. (2019). Apa itu SDLC Waterfall? [Online] https://medium.com/dot-intern/sdlc-metode-waterfall-5ae2071f161d, tanggal akses: 1 Juli 2021.
[8] Mallet, H. (2020). Develop an Interactive Drawing Recognition App based on CNN — Deploy it with Flask [Online] https://towardsdatascience.com/develop-an-interactive-drawing-recognition-app-based-on-cnn-deploy-it-with-flask-95a805de10c0, tanggal akses: 17 Juli 2021.
