Penerjemahan Bahasa Indonesia ke Bahasa Minang dari Optical Character Recognition dengan Menggunakan Algoritme Edit Distance

Abstract

Tri Gatra Bangun Bahasa yaitu utamakan Bahasa Indonesia, lestarikan bahasa daerah, dan kuasai bahasa asing. Melalui ini, maka bahasa daerah sebagai salah satu kekayaan bangsa Indonesia perlu dilestarikan. Selain itu, bahasa daerah juga berfungsi sebagai pendukung bahasa nasional yakni Bahasa Indonesia. Pemanfaatan teknologi dapat digunakan sebagai upaya dalam pelestarian bahasa daerah. Penelitian ini memanfaatkan teknologi kecerdasan buatan yakni mesin penerjemah yang menerjemahkan Bahasa Indonesia ke bahasa daerah berbasiskan citra teks. Bahasa daerah yang digunakan yakni bahasa daerah Minang. Fokus penelitian ini pada proses penerjemahan hasil optical character recognition (OCR) dari citra teks Bahasa Indonesia menggunakan algoritma edit distance, yakni hamming distance, Leveinshtein distance dan Jaro-Winkler. Hasil penelitian ini menunjukkan bahwa algoritma edit distance dapat memperbaiki hasil OCR dalam melakukan penerjemahan ke bahasa daerah. Hasil OCR pada citra teks memiliki akurasi awal yakni 50.72%. Setelah diterapkan algoritma edit distance, akurasi penerjemahan meningkat menjadi 68.34% untuk algoritma hamming distance, 70.5% untuk algoritma Leveinshtein distance dan 70.2% untuk algoritma Jaro-Winkler. Dari ketiga algoritma ini, Leveinshtein distance memiliki performasi akurasi penerjemahan paling tinggi.
 Kata Kunci: penerjemahan, bahasa Indonesia, bahasa Minang, hamming distance, leveinshtein distance, jaro-winkler, optical character recognition

Invoice Recognition System based on Neural Network

“…The presence of noise in the picture will lead to the reduction of the SNR of the image, which will have an impact on the accuracy of subsequent invoice recognition and the speed of network recognition. Therefore, image denoising must be completed before character cutting [16]. At present, the commonly used denoising method refers to the direct operation on the pixels of the image, mainly including median filtering neighborhood average method is also known as mean filtering.…”

Deep Learning in Intelligent Navigation

“…However for images, every pixel in an image is the input parameter of a primitive, if the build neural network connects all the nodes and the input parameters to find characteristics, not only can cause too complicate network model to complex calculation, also will have serious over fitting phenomenon, make the network to learn too much irrelevant features and noise information, The generalization performance and stability of the model are reduced [16]. In order to solve this problem, people refer to the idea of Convolution kernel in traditional feature extraction, and extract image features by setting Convolution Layer to perform multiple Convolution operations on the image.…”