Optimasi Klasifikasi Fonem Menggunakan Backpropagation Neural Network dan Principal Component Analysis
Abstrak
Fonem merupakan bunyi terkecil dari suatu ucapan yang tidak memiliki pengertian, tetapi memiliki peranan terpenting untuk membentuk suatu arti. Identifikasi fonem dari sebuah video tentang seorang aktor yang sedang mengucapkan kalimat-kalimat berbahasa Indonesia merupakan bagian penting dalam pengembangan aplikasi visual-to-text. Aplikasi ini dapat menerjemahkan gerakan mulut dari sebuah video menjadi rangkaian teks berbahasa Indonesia, sehingga dapat membantu mempermudah komunikasi bagi para penyandang tunarungu. Penelitian ini bertujuan untuk mengoptimasi kinerja proses klasifikasi terhadap data citra sebanyak 32 fonem dari hasil ekstraksi video, sehingga dapat digunakan untuk mendukung proses identifikasi fonem untuk mewujudkan aplikasi visual-to-text dalam bahasa Indonesia. Algoritme klasifikasi yang digunakan dalam penelitian ini adalah backpropagation neural network. Beberapa upaya yang diusulkan untuk mengoptimasi kinerja proses klasifikasi di antaranya adalah dengan menggunakan perbandingan proporsi dataset, estimasi jumlah lapisan tersembunyi, dan reduksi dimensi dataset menggunakan metode principal component analysis untuk mengurangi jumlah data yang dianggap kurang penting tanpa mengurangi tingkat informasinya. Dimensi data sebelum direduksi sebesar 1.280 × 7.100 matriks data dan setelah direduksi menjadi 1.280 × 50 matriks data. Hasil akurasi yang diperoleh pada optimalisasi data menggunakan principal component analysis yaitu sebesar 87,16% dengan proporsi data 8:2 dan digunakan sebanyak 50 data penting dalam proses optimalisasi data menggunakan principal component analysis.
Referensi
U. Kulsum, “Masalah Bunyi dalam Bahasa Masyarakat Indonesia,” Caraka, Vol. 10, No. 1, pp. 299–302, Feb. 2021, doi: 10.1017/s1742058x13000143.
(2022) “KBBI Online,” [Online], http://kbbi.co.id/cari?kata=fonem, access date: 11-Jul-2022.
M. Khaleqyar and M. Qaseem Kashaf, “The Importance of Suprasegmental Features in the Structure and Meaning of Pashto Sentence,” Sprin J. Arts, Humanit. Soc. Sci., Vol. 1, No. 9, pp. 31–40, Sep. 2022, doi: 10.55559/sjahss.v1i09.54.
F. Nur, D.E. Aryanto, and N.I. Islami, “Analisis Segmentasi Silabel dan Fonem dalam Kalimat Perintah (Kajian Fonologi),” Ghâncaran: J. Pendidik. Bhs. dan Sastra Indones., Vol. 3, No. 1, pp. 16–38, 2021, doi: 10.19105/ghancaran.v3i1.4424.
N. Mamuriyah and J. Sumantri, “Penerapan Metode Convolution Neural Network (CNN) Pada Aplikasi Automatic Lip Reading,” J. Inform. Telecommun. Eng., Vol. 6, No. 1, pp. 276–287, Jul. 2022, doi: 10.31289/jite.v6i1.7523.
I.D. Id, Machine Learning: Teori, Studi Kasus dan Implementasi Menggunakan Python, 1st ed. Pekanbaru, Indonesia: UR PRESS, 2021, doi: 10.5281/zenodo.5113507.
B. Mahesh, “Machine Learning Algorithms - A Review,” Int. J. Sci., Res. (IJSR), Vol. 9, No. 1, pp. 381–386, Jan. 2020, doi: 10.21275/ART20203995.
A. Roihan, P.A. Sunarya, and A.S. Rafika, “Pemanfaatan Machine Learning dalam Berbagai Bidang: Review Paper,” IJCIT (Indonesian J. Comput. Inf. Technol.), Vol. 5, No. 1, pp. 75–82, 2020, doi: 10.31294/ijcit.v5i1.7951.
R.H. Abiyev and M.K.S. Ma’aitah, “Deep Convolutional Neural Networks for Chest Diseases Detection,” J. Healthc. Eng., Vol. 2018, pp. 1–11, Aug. 2018, doi: 10.1155/2018/4168538.
D. Aprilla C., D.A. Baskoro, L. Ambarwati, and I.W.S. Wicaksana, “Belajar Data Mining dengan RapidMiner,” in Belajar Data Mining dengan RapidMiner, R. Sanjaya, Ed. Jakarta, Indonesia: Gramedia Pustaka Utama, 2013, pp. 1–125.
O.D. Nurhayati, D. Eridani, and A. Ulinuha, “Ekstraksi Ciri Orde Pertama dan Metode Principal Component Analysis untuk Mengidentifikasi Jenis Telur Ayam Kampung dan Ayam Arab,” JSINBIS (J. Sist. Inf. Bisnis), Vol. 9, No. 2, pp. 133-140, Nov. 2019, doi: 10.21456/vol9iss2pp133-140.
T. Yulianti, M. Telaumbanua, H.D. Septama, and H. Fitriawan, “Pengaruh Seleksi Fitur Citra Terhadap Klasifikasi Tingkat Kesegaran Daging Sapi Lokal,” J. Tek. Pertan. Lampung, Vol. 10, No. 1, pp. 85–95, Mar. 2021, doi: http://dx.doi.org/10.23960/jtep-l.v10.i1.85-95.
A. Zamfiroiu, R. Boncea, and I. Petre, “Data Acquisition Process for Smart Systems,” Int. J. Res., Anal. Rev., Vol. 6, No. 2, pp. 553–556, Jun. 2019.
A. Riadi and R. Sulaehani, “Analisis Implementasi Preprocessing dengan Otsu-Gaussian pada Pengenalan Wajah,” ILKOM J. Ilm., Vol. 11, No. 3, pp. 200–205, Dec. 2019, doi: 10.33096/ilkom.v11i3.457.200-205.
Yuhandri, “Perbandingan Metode Cropping pada Sebuah Citra untuk Pengambilan Motif Tertentu pada Kain Songket Sumatera Barat,” J. KomtekInfo (Komput. Teknol. Inf.), Vol. 6, No. 1, pp. 96–105, Jun. 2019, doi: 10.35134/komtekinfo.v6i1.45.
M. Zen, “Perbandingan Metode Dimensi Fraktal dan Jaringan Syaraf Tiruan Backpropagation dalam Sistem Identifikasi Sidik Jari pada Citra Digital,” JiTEKH (Jurnal Ilm. Teknol. Harapan), Vol. 7, No. 2, pp. 42–50, Sep. 2019, doi: https://doi.org/10.35447/jitekh.v7i02.80.
M.A. Nasution et al., “Determinasi Nilai RGB dan Grayscale pada Citra Tandan Buah Segar (TBS Kelapa Sawit (Elaeis Guineensis Jacq.) Menggunakan Matlab,” J. Pen. Kelapa Sawit, Vol. 30, No. 1, pp. 37–48, Apr. 2022, doi: https://doi.org/10.22302/iopri.jur.jpks.v30i1.159.
H.A. Rabbani, M.A. Rahman, and B. Rahayudi, “Perbandingan Ruang Warna RGB dan HSV dalam Klasifikasi Kematangan Biji Kopi,” J. Pengemb. Teknol. Inf., Ilm. Komput., Vol. 5, No. 6, pp. 2243–2248, Jun. 2021.
Arifin, Muljono, S. Sumpeno, and M. Hariadi, “Towards Building Indonesian Viseme: A Clustering-Based Approach,” 2013 IEEE Int. Conf. Comput. Intell., Cybernetics (CYBERNETICSCOM), 2013, pp. 57–61, doi: 10.1109/CyberneticsCom.2013.6865781.
M.N.D. Sawitri, I.W. Sumarjaya, and N.K.T. Tastrawati, “Peramalan Menggunakan Metode Backpropagation Neural Network,” E-J. Mat., Vol. 7, No. 3, pp. 264–270, Sep. 2018, doi: 10.24843/mtk.2018.v07.i03.p213.
S.M. Damanik, et al., “Optimasi Data Menggunakan Teknik Backpropagation dalam Meningkatkan Hasil Nilai Akurasi,” Punyaku sementara Sem. Nas. Sains, Teknol. Inf. (SENSASI), 2021, pp. 657–662.
H. Okprana, M.R. Lubis, and J.T. Hadinata, “Prediksi Kelulusan TOEFL Menggunakan Metode Resilient Backpropagation,” J. Edukasi, Pen. Inform., Vol. 6, No. 2, pp. 275–279, Aug. 2020, doi: 10.26418/jp.v6i2.41224.
M.S. Aftab and F. Aftab, “A Study on Lyapunov Function Backpropagation Algorithm for Suitability as Neuro-Adaptive Inverse Controller,” 2018 IEEE 21st Int. Multi-Topic Conf. (INMIC), 2018, pp. 1–4, doi: 10.1109/INMIC.2018.8595664.
U. Nuha and N. Rochmawati, “Klasifikasi Kesahihan Hadits Berdasarkan Perawi Hadits Menggunakan Principal Component Analysis (PCA) dan Backpropagation Neural Network (BPNN),” J. Inform., Comput. Sci., Vol. 1, No. 3, pp. 138–143, Mar. 2020, doi: 10.26740/jinacs.v1n03.p138-143.
© Jurnal Nasional Teknik Elektro dan Teknologi Informasi, di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.
2.png)
