Pendeteksi Tulisan Bahasa Kanji Jepang dengan Metode Convolutional Neural Network (CNN)

Abstract

Pengenalan tulisan tangan aksara Kanji Jepang menjadi salah satu tantangan utama dalam bidang pengolahan citra dan kecerdasan buatan, mengingat jumlah karakter yang sangat banyak dan variasi gaya penulisan. Penelitian ini mengusulkan pengembangan model berbasis Convolutional Neural Network (CNN) untuk mendeteksi dan mengenali tulisan tangan Kanji secara akurat. CNN dipilih karena kemampuannya dalam mengekstraksi fitur visual dari data citra secara otomatis dan melakukan klasifikasi dengan presisi tinggi. Dataset yang digunakan mencakup tulisan tangan karakter Kanji, yang telah diperkaya dengan teknik augmentasi data seperti rotasi, flipping, zooming, dan distorsi untuk meningkatkan keragaman dan kemampuan generalisasi model. Proses pra-pemrosesan data dilakukan untuk memastikan kualitas input, meliputi normalisasi piksel, penyesuaian ukuran citra, dan pemberian label yang sesuai. Model CNN yang diimplementasikan mencakup beberapa lapisan utama, seperti lapisan konvolusi, pooling, fully connected, dan softmax, serta menggunakan pendekatan transfer learning untuk meningkatkan efisiensi dan performa pelatihan. Pelatihan dan evaluasi model dilakukan pada platform Google Colab, memanfaatkan GPU/TPU gratis untuk mempercepat komputasi. Evaluasi performa mencakup metrik akurasi, precision, recall, F1-score, dan analisis confusion matrix. Hasil eksperimen menunjukkan bahwa model ini mampu mengenali tulisan Kanji dengan akurasi tinggi, mencapai 98,95% pada data uji, sekaligus menjaga efisiensi komputasi. Selain itu, model ini memiliki potensi untuk diterapkan dalam aplikasi real-time, seperti pengenalan tulisan Kanji pada perangkat seluler. Penelitian ini memberikan kontribusi signifikan terhadap pengembangan teknologi pengolahan citra, khususnya dalam pengenalan tulisan tangan Kanji, dan menawarkan solusi inovatif untuk mengatasi tantangan dalam bidang ini.

Kata Kunci: Pengenalan Kanji, CNN, Google Colab, pengolahan citra, augmentasi data, transfer learning.