Optimasi Klasifikasi Fonem Menggunakan Backpropagation Neural Network dan Principal Component Analysis

Abstract

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.