Rachman, Kholilul (2021) PENGENALAN TULISAN TANGAN HURUF RUSIA DENGAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK. Undergraduate thesis, UPN "VETERAN' JAWA TIMUR.
|
Text (COVER)
Cover.pdf Download (1MB) | Preview |
|
|
Text (BAB 1)
1.pdf Download (176kB) | Preview |
|
![[img]](http://repository.upnjatim.ac.id/style/images/fileicons/text.png) |
Text (BAB 2)
2.pdf Restricted to Registered users only until 10 November 2023. Download (907kB) |
|
|
Text (BAB 3)
3.pdf Restricted to Registered users only until 10 November 2023. Download (451kB) |
|
|
Text (BAB 4)
4.pdf Restricted to Registered users only until 10 November 2023. Download (820kB) |
|
|
Text (BAB 5)
5.pdf Download (99kB) | Preview |
|
|
Text (DAFTAR PUSTAKA)
Dapus.pdf Download (105kB) | Preview |
Abstract
Pengenalan tulisan tangan merupakan komponen penting untuk banyak aplikasi di berbagai bidang. Sistem pengenalan tulisan tangan huruf rusia diperlukan pada bidang pendidikan bahasa asing untuk melakukan koreksi otomatis terhadap seseorang yang ingin belajar menulisnya. Maka dari itu diperlukan sistem yang dapat menganalisis penulisan tangan huruf rusia dengan baik dan mudah. Namun dalam pengimplementasiannya terdapat tantangan masalah seperti analisis kumpulan data tulisan tangan huruf rusia yang banyak variasinya, pemilihan dalam penerapan model arsitektur CNN yang efektif, dan banyaknya epoch serta data yang dilatih agar sistem dapat memprediksi secara akurat. Salah satu metode deep learning pengembangan dari multilayer perceptron (MLP) yang didesain untuk mengolah data dua dimensi adalah Convolutional Neural Network (CNN) yang efektif mengolah data citra objek spasial. Model CNN dilatih menggunakan dataset huruf rusia yang ditulis dalam alphabet cyrillic sebanyak 17721 data gambar yang terbagi pengelompokan kelas menjadi 33 huruf. Dataset dibagi menjadi dua bagian yaitu data pelatihan dan data uji yang masingmasing sebanyak 80% dan 20% data. Sistem yang telah dirancang dan diimplementasikan pada penelitian ini mendapatkan akurasi tertinggi dari beberapa uji coba dengan nilai akurasi pelatihan dan akurasi validasi sebesar 100% untuk model tanpa augmentasi data, dan nilai akurasi pelatihan sebesar 86% dan nilai akurasi validasi sebesar 90% untuk model dengan augmentasi data. Model yang telah dilatih juga dilakukan deployment ke web untuk memudahkan pengujian dan dapat digunakan untuk pembelajaran secara interaktif. Kata Kunci: Tulisan Tangan, Pengenalan Huruf Rusia, Convolutional Neural Network, Deep Learnin
| Item Type: | Thesis (Undergraduate) | ||||||||
|---|---|---|---|---|---|---|---|---|---|
| Contributors: |
|
||||||||
| Subjects: | T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5105 Computer Network | ||||||||
| Divisions: | Faculty of Computer Science > Departemen of Informatics | ||||||||
| Depositing User: | Lisa Nadya Irawan | ||||||||
| Date Deposited: | 10 Nov 2021 04:19 | ||||||||
| Last Modified: | 10 Nov 2021 04:19 | ||||||||
| URI: | http://repository.upnjatim.ac.id/id/eprint/3172 |
Actions (login required)
 |
View Item |