Ardiansyah, Muhammad (2025) Pengenalan pola aksara sunda secara real time dengan metode convolutional neural network. Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text (COVER)
1_cover.pdf Download (142kB) | Preview |
|
|
Text (ABSTRAK)
2_abstrak.pdf Download (169kB) | Preview |
|
|
Text (SK BEBAS PLAGIARISM)
Teks (SK BEBAS PLAGIARISM).pdf Download (829kB) | Preview |
|
|
Text (DAFTAR ISI)
4_daftarisi.pdf Download (269kB) | Preview |
|
|
Text (BAB I)
5_bab1.pdf Download (329kB) | Preview |
|
![[img]](https://digilib.uinsgd.ac.id/style/images/fileicons/text.png) |
Text (BAB II)
6_bab2.pdf Restricted to Registered users only Download (533kB) |
|
|
Text (BAB III)
7_bab3.pdf Restricted to Registered users only Download (533kB) |
|
|
Text (BAB IV)
8_bab4.pdf Restricted to Registered users only Download (1MB) |
|
|
Text (BAB V)
9_bab5.pdf Restricted to Registered users only Download (186kB) |
|
|
Text (DAFTAR PUSTAKA)
10_daftarpustaka.pdf Restricted to Registered users only Download (186kB) |
|
|
Text (LAMPIRAN)
11_Lampiran.pdf Restricted to Repository staff only Download (4MB) |
Abstract
Aksara Sunda merupakan warisan budaya yang penting, namun penggunaannya dalam kehidupan modern masih terbatas karena variasi bentuk tulisan dan kurangnya teknologi untuk pembelajaran. Tantangan utama dalam pengenalan pola aksara Sunda melalui citra digital terletak pada kompleksitas bentuk karakter, kualitas data yang beragam, serta kebutuhan sistem yang mampu bekerja secara real-time. Penelitian ini mengusulkan penerapan Convolutional Neural Network (CNN) dengan arsitektur MobileNet untuk klasifikasi aksara Sunda berbasis citra digital. Metodologi CRISP-DM digunakan sebagai kerangka penelitian, sementara sistem dibangun dengan Python dan Flask untuk mendukung implementasi real-time berbasis web. Model diuji menggunakan berbagai konfigurasi hyperparameter, meliputi variasi batch size (16 dan 32), jumlah epoch (50 dan 75), serta rasio (80:20) pembagian data latih dan uji, dengan learning rate tetap sebesar (0,001 dan 0,0001). Hasil penelitian menunjukkan bahwa konfigurasi terbaik diperoleh pada learning rate 0.0001 batch size 32 dan epoch 50, yang mampu mencapai tingkat akurasi 96.91%, presisi 97.10% , recall 96.91%, dan F1-score 96.90%, serta memberikan kinerja yang efisien dalam pemrosesan real-time. Penelitian ini membuktikan bahwa MobileNet dapat menjadi solusi efektif untuk pengenalan aksara Sunda, sekaligus mendukung upaya pelestarian budaya melalui teknologi berbasis kecerdasan buatan.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Uncontrolled Keywords: | Aksara Sunda; CNN; MobileNet; Pengolahan Citra Digital; Real-time; Kecerdasan Buatan; Pelestarian Budaya |
| Subjects: | Data Processing, Computer Science Data Processing, Computer Science > Computer Science Education Special Computer Methods > Artificial Intelligence Numerical Analysis > Algorithms |
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Teknik Informatika |
| Depositing User: | Muhammad Ardiansyah Ardii |
| Date Deposited: | 17 Nov 2025 03:46 |
| Last Modified: | 17 Nov 2025 03:46 |
| URI: | https://digilib.uinsgd.ac.id/id/eprint/125479 |
Actions (login required)
 |
View Item |
