Silicon08 Paper Gunawan dan Denny Final

GENERATOR TEKS FURIGANA UNTUK
HALAMAN WEB BERBAHASA JEPANG
Gunawan dan Denny Cahyadi
Sekolah Tinggi Teknik Surabaya
gunawan@stts.edu, denny.cahyadi@gmail.com
Abstract
Japanese websites usually written in Kanji
characters. For the beginner, reading Kanji can be
tough since it has many sound variations. One way
to read Kanji easier is by using specialized
Hiragana character called Furigana to show the
proper way of reading.
In this paper a web application which capable to
generate Furigana text on Japanese websites which
contains Kanji is proposed. Furigana generation is
done based on a Japanese dictionary. However it is
impossible to lookup a sentence in a dictionary.
Hence a task to divide sentence into words is
needed. Since Japanese doesn’t have special
delimiter to separate words, a special segmentation
algorithm is needed.

Segmentation is done through Natural Language
Processing approach by using d-bigram and linking
string model. The model gain knowledge from a
corpus and use it to segment the sentence. After
segmentation, each word can be looked up on
dictionary to produce proper Furigana. Lastly Ruby
tag is used to display Furigana on browser.
In the end of this work, a test to reveal the
system's performance in accuracy is done. Using the
method proposed above, the system can achieve 94%
accuracy at character level and 89% accuracy at
word level. Based on the research in Kanji to
Hiragana conversion so far, the performance
achieved by the system is considered good.

1. PENDAHULUAN
Bahasa Jepang merupakan bahasa yang cukup
kompleks dalam hal penulisan. Pada bahasa Jepang
dikenal empat macam huruf, yaitu Hiragana,
Katakana, Kanji, dan Romaji. Hiragana dan Katakana adalah huruf phonemic dimana setiap karakter

menyimbolkan satu bunyi tanpa memiliki arti. Huruf
kanji yang lebih kompleks, merupakan huruf
pictographic dimana setiap karakter dapat memberi
arti pada suatu makna. Romaji adalah huruf latin
yang digunakan dalam bahasa Jepang..
Dari keempat huruf tersebut, Kanji merupakan
huruf yang paling kompleks karena jumlahnya yang
banyak [7] dan adanya variasi bunyi (cara baca).
[14] Cara baca huruf Kanji ditentukan oleh konteks
katanya. Inilah yang menyebabkan upaya untuk

memperlajari huruf Kanji tidak dapat dilakukan
dalam waktu singkat.
Kompleksitas penggunaan huruf Kanji dapat
dikurangi dengan penggunaan huruf Furigana. [10]
Furigana merupakan huruf Hiragana yang ditulis di
sebelah atau di atas huruf Kanji dan berfungsi untuk
menunjukkan cara baca huruf Kanji tersebut.

Gambar 1. Furigana dan Kanji

Penggunaan huruf Furigana sudah umum
dilakukan pada buku-buku berbahasa Jepang.
Sayangnya huruf ini masih sedikit digunakan pada
halaman web. Dengan demikian diperlukan suatu
aplikasi yang mampu menghasilkan teks Furigana
pada halaman web berbahasa Jepang yang
mengandung huruf Kanji.
Pada sisi lainnya, perkembangan disiplin ilmu
Natural Language Processing (NLP) boleh
dikatakan masuk pada masa renaissance saat web
menyediakan miliaran dokumen berbahasa alami
dari pelbagai bangsa, termasuk Jepang. Perkembangan yang signifikan tampak pada pendekatan kaum
experimentalist, yang ditunjukkan melalui pemanfaatan corpus dan terlibatnya disiplin statistika dan
machine learning seperti yang dilakukan pada
penelitian ini, yaitu pengembangan aplikasi web
generator teks Furigana.

2. LANDASAN TEORI
Terdapat tiga teori yang mendukung penelitian
ini. Berikut akan dijelaskan secara singkat mengenai

model d-bigram, mutual information, dan model
linking string.

2.1. MODEL D-BIGRAM
Model d-bigram merupakan varian dari model ngram yang memperhitungkan jarak pemisah. Model
n-gram adalah model statistik yang berupaya
menghitung pasangan n elemen bahasa (kata, karakter) untuk memperoleh pengetahuan bahasa secara
historikal. Derajat n menunjukkan jumlah pasangan
yang dihitung pada suatu semesta. Sebagai contoh 2gram (bigram) akan menghitung kemunculan
pasangan yang terdiri dari dua elemen. [12]

Model d-bigram didefinisikan sebagai bigram
dengan pasangan elemen bahasa yang terpisah
sejauh satuan jarak d. Pada n-gram perhitungan
dilakukan terhadap beberapa elemen bahasa yang
berurutan dan saling menempel. Sementara pada dbigram elemen yang diperhitungkan terpisah sejauh
d satuan elemen. Model d-bigram hanya
memperhitungkan kemunculan pasangan dua elemen
bahasa, tidak seperti n-gram yang bisa
memperhitungkan sejumlah anggota berpasangan

sesuai nilai n yang diberikan. Pada penelitian ini
elemen bahasa yang diperhitungkan adalah karakter.
Model d-bigram memperoleh pengetahuan dari
corpus untuk menghasilkan tabel d-bigram. Tabel dbigram adalah tabel yang mencatat peluang
kemunculan pasangan karakter yang ditemukan pada
corpus. Tabel ini selanjutnya digunakan untuk
melakukan perhitungan linking score pada model
linking string.

Hubungan antar karakter ini selanjutnya disebut
sebagai linking score, yang didefinisikan sebagai
nilai yang menunjukkan peluang kemunculan sebuah
karakter terhadap karakter sebelumnya yang
dipengaruhi oleh kemunculan beberapa karakter
yang mendahuluinya. [12] Dari perspektif statistika
linking score sebenarnya pengembangan dari mutual
information. Berikut ini adalah rumus yang
digunakan untuk perhitungan linking score:
d max

UK[i]  

i

 MI (w , w

d 1 j i ( d 1)

UK[i]
dmax
wj
g(d)

:
:
:
:

j

( j d )

, d )  g (d )

Linking score karakter ke-i suatu string
Jarak maksimum yang diperhitungkan
Karakter ke-j
Fungsi bobot untuk menentukan pengaruh
jarak terhadap perhitungan

3. ARSITEKTUR
2.2. MUTUAL INFORMATION
Pada ilmu statistika mutual information dari dua
variabel acak merupakan nilai yang menunjukkan
hubungan ketergantungan (mutual dependence) antar
kedua variabel itu. Dalam hal ini nilai mutual
information menunjukkan seberapa besar pengaruh
munculnya suatu variabel terhadap variabel lainnya.
Dalam konteks analisa bahasa, variabel-variabel
yang diperhitungkan adalah karakter-karakter yang

muncul pada suatu string. Selain itu tedapat sebuah
variabel lagi yang mempengaruhi nilai mutual
information, yaitu jarak pemisah antar karakter.
Karakter yang muncul berdekatan cenderung
memiliki hubungan yang lebih erat daripada karakter
yang muncul berjauhan. Dengan demikian jarak
pemisah juga ikut diperhitungkan dalam perhitungan
mutual information dengan rumus sebagai berikut:

MI (ai , bi , d )  log 2

P(ai , bi , d )
P(ai ).P(bi )

MI (a, b, d) : mutual information karakter a dan b
yang terpisah sejauh d karakter
P(x)
: peluang kemunculan karakter x
P(x, y)
: peluang kemunculan karakter x dan y

bersama sama

2.3. MODEL LINKING STRING
Linking string adalah suatu string (kata) yang
terbentuk karena kuatnya hubungan antar karakter
yang menyusunnya. Hubungan karater ini dilihat
dari seberapa sering suatu pasangan karakter muncul
bersama-sama pada sekumpulan teks. Pasangan
karakter yang sering muncul bersamaan dianggap
sebagai hubungan yang kuat dan sebaliknya.

Sistem yang dikembangkan berfungsi untuk
menambahkan teks Furigana pada suatu halaman
web yang mengandung teks Kanji. Input sistem
adalah URL sebuah halaman web yang akan
ditambahi teks Furigana. Output sistem adalah teks
berformat HTML (halaman web) yang telah
ditambahi Furigana. Antara input dan output
terdapat beberapa proses yang perlu dilakukan.
Input URL

Preproses
(runtime)
Fetching dan
preproses

Teks yang mengandung kanji

Wikipedia
xml
corpus
(training)

Pembuatan
tabel dbigram

Tabel
dbigram

Kamus
EDICT

Cleansing
Kamus

Kamus

Preproses
Preproses
(offline)
(offline)

Generate
Furigana

Halaman web yang telah
dilengkapi dengan Furigana

Gambar 2. Arsitektur Sistem

Pertama kali sistem menerima input berupa URL
sebuah website yang menjadi target. Selanjutnya
dilakukan fetching terhadap website target ini. Pada
proses fetching dilakukan juga beberapa proses
tambahan seperti proses decoding serta pemisahan
antara tag dan teks. Proses ini disebut juga sebagai
tahap preproses saat program dijalankan (runtime).
Tahap ini akan menghasilkan teks yang siap diolah
pada proses pembuatan Furigana.
Selanjutnya teks diolah pada tahap pembuatan
Furigana atau disebut juga sebagai proses translasi.
Proses translasi memerlukan bantuan berupa tabel dbigram dan kamus. Keduanya diperoleh dari corpus
dan kamus yang telah mengalami preproses
sebelumnya. Proses pengambilan data pada corpus
untuk membuat tabel d-bigram dan proses
penyesuaian format kamus dilakukan pada tahap
preproses sebelum program dijalankan (offline).
Dengan menggunakan tabel d-bigram dan kamus
maka proses translasi dapat menghasilkan output
berupa teks Furigana. Aliran data berakhir sampai
tahap ini, tentu saja setelah data dikirimkan kembali
kepada user dalam bentuk halaman web.

4. IMPLEMENTASI
Implementasi sistem ini terbagi ke dalam dua
tahap. Tahap pertama adalah tahap preproses yang
bertujuan menyiapkan segala data yang diperlukan
untuk tahap selanjutnya dan tahap kedua adalah
generator Furigana. Berikut ini dijelaskan detail dari
masing-masing tahap.

4.1. PREPROSES
Preproses pertama yang dilakukan adalah
cleansing corpus dan pembuatan tabel d-bigram.
Tabel d-bigram diperoleh dengan melakukan analisa
statistik karakter pada corpus. Corpus yang
digunakan adalah Wikipedia XML Corpus yang
terdiri dari 187.000 dokumen berbahasa Jepang.
Tahap cleansing diperlukan karena isi corpus tidak
murni teks berbahasa Jepang, melainkan tercampur
dengan tag-tag XML.
Pembuatan tabel d-bigram dilakukan dengan
menghitung jumlah kemunculan masing-masing
karakter pada corpus. Pada saat scanning, setiap
ditemukan karakter baru maka ditambahkan entry
baru pada tabel. Setiap ditemukan karakter yang
telah ada, maka jumlah kemuncuka karakter itu ditambah. Karena informasi yang diinginkan berupa
peluang kemunculan maka perlu dihitung juga ratio
masing-masing karakter terhadap jumlah total
karakter yang terdapat pada corpus. Tabel d-bigram
diimplementasikan dalam bentuk hash table.[13]
Preproses kedua adalah mempersiapkan kamus.
Kamus yang digunakan adalah EDICT merupakan
kamus Jepang-Inggris berupa plain textfile yang
ditulis dengan format EUC-JP. Setiap baris pada

kamus memuat suatu kata lengkap dengan atributatributnya seperti cara baca, terjemahan ke bahasa
Inggris, jenis kata, dan prioritas. Beberapa atribut
lain yang tersedia tidak diperlukan oleh sistem ini,
sehingga perlu dilakukan pembuangan atribut yang
tidak digunakan. Kamus akan dibuat ke dalam dua
jenis. Jenis pertama menyimpan seluruh kata dalam
bentuk kata dasar. Sementara itu jenis kedua hanya
menyimpan kata-kata yang dapat mengalami perubahan bentuk saja yaitu kata kerja dan kata sifat,
namun dilengkapi dengan ciri perubahan katanya.
Tahap preproses terakhir merupakan preproses
yang dilakukan setiap kali program dijalankan.
Terdapat tiga hal yang dilakukan pada tahap ini
yaitu:
 Mengidentifikasi jenis encoding yang digunakan
oleh halaman web. Jenis encoding yang dapat
ditangani adalah UTF-8, Shift_JIS, dan EUC-JP.
 Melakukan decoding berdasarkan jenis encoding.
 Melakukan ekstraksi teks, yaitu memisahkan
antara tag dan teks, serta memilih teks mana saja
yang mengandung Kanji. Hanya teks yang
mengandung Kanji yang akan diproses lebih
lanjut.
Tahap preproses menghasilkan output berupa teks
yang mengandung huruf Kanji saja. Teks inilah yang
selanjutnya diproses pada generator Furigana.

4.2. GENERATOR FURIGANA
Generator Furigana terbagi menjadi beberapa
subproses yaitu perhitungan linking score,
segmentasi, penanganan perubahan kata, lookup
pada kamus, dan penyusunan karakter Furigana.
Pada tahap ini terjadi proses segmentasi kalimat
secara berulang-ulang hingga didapatkan kata yang
cocok.

Gambar 3. Linking Score dan Segmentasi
Pembuatan Furigana diawali dengan perhitungan
linking score. Perhitungan ini hanya perlu dilakukan
sekali untuk setiap kalimat input menggunakan

rumus linking score yang telah dijelakskan
sebelumnya. Selanjutnya linking score pada tiap-tiap
karakter digunakan sebagai pertimbangan untuk
melakukan segmentasi.
Proses segmentasi dan proses lookup pada kamus
diimplementasikan sebagai fungsi recursive. Dengan
menggunakan teknik divide and conquer suatu string
bahasa Jepang akan dipotong menjadi segmensegmen kecil lalu dicari solusi untuk setiap segmen.
Segmen yang belum cukup pendek atau tidak dapat
ditemukan pada kamus akan terus dipotong sampai
ditemukan pada kamus atau hanya tersisa satu
karakter saja.
Segmentasi dilakukan dengan membagi string
menjadi dua bagian berdasarkan titik linking score
terendahnya. Segmenatasi yang dilakukan secara
recursive mengasilkan segmen-segmen yang
hubungannya dapat digambarkan sebagai sebuah
tree. Pada gambar 4, segmen kiri masih dapat dibagi
menjadi dua segmen lagi dan segmen kanan terbagi
menjadi tiga segmen.

Gambar 4. Tree Hasil Segmentasi
Pada tree dapat terlihat bahwa tiap-tiap leaf
merupakan segmen yang berhasil ditemukan pada
kamus. Pencarian pada kamus akan menghasilkan
bunyi Kanji yang bersangkutan berupa karakter
Furigana. Pada beberapa kasus, kata yang diperoleh
dari hasil segmentasi tidak dapat langsung
ditemukan pada kamus. Hal ini disebabkan oleh
adanya perubahan bentuk kata terkait dengan
penggunaannya pada kalimat dan tenses (bentuk
waktu). Dengan demikian diperlukan sebuah proses
lagi untuk mengembalikan kata-kata berimbuhan
menjadi bentuk dasarnya. Hal ini dapat dilakukan
dengan menganalisa teknik perubahan kata itu.
Pencarian pada kamus yang sukses pada akhirnya
menghasilkan teks furigana yang cocok untuk setiap
kata. Pada tahap terakhir, karakter Furigana disusun
menggunakan tag ruby agar dapat ditampilkan pada
browser.
Keseluruhan proses ini dilakukan untuk semua
segmen sampai seluruh teks input yang diberikan
telah ditambahkan dengan Furigana. Akhirnya teks
yang telah dilengkapi dengan tag ruby dikembalikan
pada browser dan ditampilkan sebagai Furigana.

5. UJICOBA
Ujicoba dilakukan untuk menguji performa
program. Terdapat tiga aspek yang diujicoba yaitu
akurasi sistem, kecepatan proses, dan fungsionalitas.
Ujicoba akurasi sistem dan kecepatan proses
dilakukan terhadap testing corpus. Sedangkan
ujicoba fungsionalitas dilakukan terhadap 20 website
berbahasa Jepang.
Ujicoba akurasi sistem dilakukan dengan cara
membandingkan output sistem dengan output ideal.
Untuk pengujian ini digunakan Microsoft IME
Corpus yang terdiri dari 6000 kalimat berbahasa
Jepang (160.000 kata) yang diperoleh secara acak
dari surat kabar Kyodo dalam periode setahun.
Corpus ini merupakan corpus paralel yang terdiri
dari dua bagian. Bagian pertama adalah teks asli
(mengandung keempat jenis karakter Jepang) dan
bagian kedua adalah cara baca dari bagian pertama
yang ditulis dengan Hiragana (Furigana). Bagian
kedua corpus ini merupakan cara baca ideal yang
telah dibuat oleh para pakar bahasa Jepang.
Pada saat ujicoba, bagian pertama pada corpus
diumpan pada sistem sehingga sistem menghasilkan
output berupa Furigana. Selanjutnya output dari
sistem dibandingkan dengan Furigana pada bagian
kedua dari corpus. Persentasi kemiripan output
sistem dengan bagian kedua corpus dianggap sebagai akurasi.
Terdapat dua metode pembandingan yang digunakan, yaitu Levensthein Distance dan Word
Match. Levensthein Distance menganalisa kemiripan
pada level karakter dengan menghitung edit-distance
antara dua string. Hasil ujicoba menunjukkan bahwa
output sistem memiliki tingkat kemiripan rata-rata
sebesar 94.12%.
Tabel 1. Hasil Ujicoba terhadap 6000 Kalimat
Berbahasa Jepang
Pembanding
Jumlah kalimat
dengan akurasi
100%

Heuristik
L.Dist 1
W.M 2

Brute Force
L.Dist 1
W.M 2

1349

1349

2005

2005

N/A

15819

N/A

13301

Akurasi (total)

94.46%

89.80%

95.54%

91.42%

Akurasi (kanji)

N/A

81.78%

N/A

84.68%

Kesalahan
Kata

Kecepatan
Proses 3

2 detik 25 ms

10 detik 45 ms

1

Levensthein Distance
Word Match
3
pada prosesor Intel T7300 2 GHz
2

Metode kedua yang digunakan adalah Word Match.
Word Match menganalisa tingkat kemiripan dua
string pada level kata. Pembandingan dilakukan
dengan menghitung setiap kata yang seharusnya

benar dan kata-kata yang berhasil diterjemahkan
oleh sistem. Pembandingan dengan metode ini
menghasilkan akurasi sebesar 89.80%. Jika
perhitungan hanya dilakukan untuk kata-kata yang
mengandung Kanji saja maka akurasi yang dicapai
adalah 81.78%.
Ujicoba kedua yang dilakukan adalah ujicoba
kecepatan proses. Ujicoba dilakukan dengan
membandingkan kecepatan proses sistem yang
menggunakan heuristik berupa perhitungan linking
score dengan sistem yang menggunakan metode
brute force. Yang dimaksud dengan brute force
adalah mencoba segala kemungkinan segmen saat
melakukan segmentasi. Ujicoba bertujuan untuk
mengetahui efisiensi penggunaan perhitungan
linking score beserta tabel d-bigram.
Ujicoba dilakukan dengan mengambil waktu
rata-rata dari 10 kali proses terhadap testing corpus.
Ujicoba dilakukan pada komputer dengan prosesor
Intel Core2 Duo T7300. Hasil ujicoba menunjukkan
bahwa sistem dengan heuristik linking score
memiliki waktu rata-rata 2 detik 25 ms, sedangkan
sistem dengan brute force memiliki waktu rata-rata
10 detik 54 ms. Hal ini menunjukkan bahwa

penggunaan linking score dapat meningkatkan
kecepatan sampai hampir 5 kali lipat.
Walaupun demikian ternyata penggunaan
linking score mengurangi sedikit akurasi jika
dibandingkan dengan brute force. Brute force
mampu mencapai akurasi 95.54% dengan
Levenstehin Distance dan 91.42% dengan Word
Match. Brute force sedikit lebih unggul dalam hal
akurasi.
Ujicoba terakhir yang dilakukan adalah menguji
kerja sistem pada 20 website berbahasa Jepang.
Ujicoba ini berupaya menemukan kelemahan
sistem. Hasil ujicoba menunjukkan bahwa sistem
berjalan dengan baik pada sebagian besar website
berita bahasa Jepang. Namun demikian terdapat
beberapa website yang tidak mampu ditangani
akibat teknis pemrograman web tersebut. Halaman
tidak dapat ditangani diantaranya halaman yang
me-redirect ke halaman lain, halaman yang berada
di dalam frame, halaman yang mutlak memerlukan
cookies, atau halaman yang mengunakan encoding
yang tidak umum, di luar UTF-8, EUC-JP dan
Shift_JIS.

5a. Sebelum Proses

5b. Setelah Proses
Gambar 5. Tampilan Sebelum dan Setelah Proses Generate Furigana

6. KESIMPULAN
Aplikasi yang dibuat memiliki kemampuan
untuk menghasilkan teks Furigana untuk hurufhuruf kanji yang terdapat halaman web berbahasa
Jepang. Berdasarkan hasil ujicoba. huruf Furigana
yang dihasilkan memiliki tingkat akurasi cukup
tinggi.
Penggunaan linking score pada proses
segmentasi sebagai acuan posisi segmentasi mampu
meningkatkan performa sistem dari segi kecepatan
secara signifikan. Walaupun demikian, linking
score masih memberikan akurasi sedikit lebih
rendah daripada metode brute force.
Penggunaan informasi statistik karakter hanya
mampu menangani konteks kata. Cara baca yang
tergantung pada konteks kalimat tidak mampu
ditangani oleh aplikasi yang hanya mengandalkan
informasi statistik karakter dan kamus.
Sistem ini merupakan corpus-based learning
sehingga performa sistem sangat tergantung pada
isi training corpus. Corpus merupakan sumber
informasi bigram yang digunakan pada saat
segmentasi. Corpus yang spesifik pada bidang
tertentu (misal politik, kesehatan) hanya akan
menghasilkan informasi yang spesifik pada bidang
tersebut. Dengan demikian kata-kata yang mampu
ditangani dengan baik hanyalah kata-kata pada
bidang itu juga. Untuk menangani kata dengan
konteks umum maka diperlukan training corpus
dengan konteks umum pula.

7. DAFTAR PUSTAKA
[1] Breen, Jim, Edict – Japanese / English DictionaryProject, http://www.csse.monash.edu .au/~
jwb/edict.html, 2007.
[2] Brin, Sergey, Lawrence Page, The Anatomy of
a Large-Scale Hypertextual Web Search
Engine, Computer Networks and ISDN
Systems Vol. 30, pp 107-117, Stanford, 1998.
[3] Cahyadi, Denny, Studi Analisa Segmentasi
Teks Bahasa Jepang Menggunakan Model DBigram, Sekolah Tinggi Teknik Surabaya,
Surabaya, 2007.

[4] Cerone, Nick, Max Krause, John Boates,
Lexicon Design Using Perfect Hash Function,
Human Interface and the User Interface Vol.
1981, pp.69-78, ACM, New York, 1981.
[5] Constantine, P. Papageorgiou, Japanese Word
Segmentation by Hidden Markov Model,
Human Language Technology Conrference,
pp.283-288, New Jersey, 1994.
[6] Gunawan, Knowledge Discovery in Databases
and Data Mining, http://www.hansmichael.
com/download/dmkdd03-6up.pdf, 2007.
[7] Joyo Kanji List – Japanese Reference,
http://www.jref.com/language/joyo_kanji.shtm
l, 2007.
[8] Kubota, Rie Ando, Lillian Lee, MostlyUnsupervised Statistical Segmentation of
Japanese Kanji Sequences, Natural Language
Engineering Vol. 9, pp.127-149, Cambridge
University Press, Cambridge, 2003.
[9] Manning, Christoper D., Hinrich Schutze,
Foundation of Statistical Natural Language
Processing, The MIT Press, London, 2003.
[10] Minna no Nihongo Shokyuu I Edisi
Terjemahan dan Keterangan Tatabahasa,
IMAF Press, Surabaya, 2006.
[11] Minna no Nihongo Shokyuu II, IMAF Press,
Surabaya, 2006.
[12] Nobesawa, Shiho, et al, Segmenting Sentences
into Linky Strings Using D-bigram Statistics,
In Colling, Copenhagen, 1996.
[13] N-Gram Class - Open NLP, http://opennlp.
sourceforge.net/api/opennlp/tools/ngram/Ngra
m .html, 2008.
[14] Picone, Joseph, et al., Kanji to Hiragana
Conversion Based on a Length-constrained Ngram Analysis, IEEE Transactions on Speech
and Audio Processing VOL. 7, pp.685-696,
No. 6, 1999.
[15] Ruby - World Wide Web Consortium Working
Draft, http://www.w3.org/TR/1998/WD-ruby19981221, 1998.
[16] Takahashi, Hironobu, KAKASI - Kanji Kana
Simple Inverter, http://kakasi.namazu.org,
2008.