Prasetyo, Aliev Wisnu (2023) PENGENALAN TULISAN TANGAN AKSARA JAWA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK. Undergraduate thesis, Universitas Pembangunan Nasional "Veteran" Jawa Timur.
|
Text (COVER)
17081010093_Cover.pdf Download (888kB) | Preview |
|
|
Text (BAB 1)
17081010093_bab1.pdf Download (99kB) | Preview |
|
![[img]](http://repository.upnjatim.ac.id/style/images/fileicons/text.png) |
Text (BAB 2)
17081010093_bab2.pdf Restricted to Registered users only until 26 January 2026. Download (1MB) |
|
|
Text (BAB 3)
17081010093_bab3.pdf Restricted to Registered users only until 26 January 2026. Download (525kB) |
|
|
Text (BAB 4)
17081010093_bab4.pdf Restricted to Registered users only until 26 January 2026. Download (963kB) |
|
|
Text (BAB 5)
17081010093_bab5.pdf Restricted to Registered users only until 26 January 2026. Download (12kB) |
|
|
Text (DAFTAR PUSTAKA)
17081010093_daftar pustaka.pdf Download (80kB) | Preview |
|
|
Text (LAMPIRAN)
17081010093_lampiran.pdf Restricted to Registered users only until 26 January 2026. Download (83kB) |
Abstract
Dunia sedang mengalami pandemi corona virus disease 2019 (covid-19). Sesuai dengan anjuran World Health Organization (WHO) bahwa aktifitas di luar rumah dan bertemu dengan orang lain dengan terpaksa harus dikurangi atau jika memungkinkan dihentikan sementara waktu. Sehingga, orang-orang yang ingin mempelajari huruf aksara jawa tidak dapat hadir di tempat les atau mengundang guru ke rumah untuk mengurangi resiko tertular covid-19. Oleh karena itu, dibutuhkan sebuah sistem pengenalan tulisan tangan huruf aksara jawa agar seseorang dapat berlatih secara mandiri di rumah. Convolutional Neural Network (CNN) adalah algoritma deep learning yang biasa digunakan untuk mengklasifikasikan citra dan mengekstrak fitur citra baik secara supervised learning maupun unsupervised learning. CNN dipilih karena dataset yang digunakan nantinya berupa citra bernama Akasara Jawa / Hanacaraka dan tambahan dataset penulis sendiri. dataset yang digunkan berjumlah 3320 data yang terdiri dari 20 kelas. Namun, 3320 data bukanlah data yang banyak. Sehingga, perlu dilakukan augmentasi data untuk menambah variasi fitur agar dapat mengenali huruf dengan banyak varian dan tidak membuat model mengalami overfitting. Arsitektur yang digunakan adalah SIP-Net yang memiliki 6.826.846 parameter dan GoogLeNet yang memiliki 7.434.860 parameter. Sistem yang telah dirancang dan diimplementasikan pada penelitian ini berhasil mendapatkan akurasi tertinggi dari beberapa uji coba sebesar 100% dan menghasilkan sebuah pengetahuan di mana implementasi augmentasi data tidak terlalu berpengaruh pada akurasi yang didapatkan dengan hasil lebih baik. Bahkan iv lebih baik tanpa augmentasi data. Selain itu, pada beberapa kasus, semakin banyak epoch juga mempengaruhi hasil akurasi dengan hasil lebih baik. Tidak hanya itu, model yang telah dilatih juga dilakukan deployment ke web untuk memudahkan pengujian dan selanjutnya dapat digunakan untuk pembelajaran
Actions (login required)
 |
View Item |