Sistem Deteksi Tulisan Tangan Aksara Hangeul Satu Silabel Menggunakan Metode Convolutional Neural Network (CNN) Berbasis Framework Flask

One-Syllable Hangeul Script Handwriting Detection System Using Convolutional Neural Network (Cnn) Method Based on Flask Framework

Semenjak adanya fenomena Korean Wave, banyak orang memulai mempelajari bahasa korea. Untuk mempelajari Bahasa Korea diperlukan pemahaman mengenai penulisan hurufnya. Maka dari itu diperlukan sistem yang dapat mendeteksi penulisan tangan aksara Hangeul dengan baik dan mudah. Salah satu metode deep learning pengembangan dari multilayer perceptron (MLP) yang didesain untuk mengolah citra gambar adalah Convolutional Neural Network (CNN). Model CNN dilatih menggunakan dataset bahasa korea yang ditulis dalam aksara Hangeul sebanyak 2460 data gambar yang terbagi pengelompokan kelas menjadi 24 kategori. Sistem yang telah dirancang dan diimplementasikan pada penelitian ini mengehasilkan akurasi validasi sebesar 99,4% dan akurasi pelatihan sebesar 95,5%. Model yang telah dilatih juga dilakukan deployment aplikasi website untuk memudahkan pengujian dan dapat digunakan untuk pembelajaran secara interaktif. Dari hasil aplikasi website berbasis flask juga dilakukan pengujian aplikasi prediksi aksara Hangeul sebanyak 10 kali tiap kategori kelas dengan mendapatkan tangkat akurasi rata-rata 95.41%. 

Since the emergence of the Korean Wave phenomenon, many people have started to learn the Korean language. To learn the Korean language, an understanding of its writing system is required. Therefore, a system that can accurately and easily detect handwritten Hangeul characters is needed. One of the deep learning methods used for image processing is the Convolutional Neural Network (CNN), which is developed from a multilayer perceptron (MLP). The CNN model is trained using a dataset of Korean language written in Hangeul characters, comprising 2460 image data divided into 24 categories. The designed and implemented system in this research achieves a validation accuracy of 99.4% and a training accuracy of 95.5%. The trained model is also deployed as a website application to facilitate testing and can be used for interactive learning. Through the Flask-based website application, the prediction of Hangeul characters is tested ten times for each class category, resulting in an average accuracy rate of 95.41%.