Perbandingan metode deep learning untuk deteksi tulisan tangan aksara sunda menggunakan metode Convolutional Neural Network (CNN), Le-Net-5, AlexNet

Zaenal, Novalda (2025) Perbandingan metode deep learning untuk deteksi tulisan tangan aksara sunda menggunakan metode Convolutional Neural Network (CNN), Le-Net-5, AlexNet. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (63kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (31kB) | Preview
Preview	Text (PLAGIARISME) 3_Plagiarism.pdf Download (507kB) | Preview
Preview	Text (DAFTAR ISI) 4_daftarisi.pdf Download (61kB) | Preview
Preview	Text (BAB I) 5_bab1.pdf Download (377kB) | Preview
	Text (BAB II) 6_bab2.pdf Restricted to Registered users only Download (303kB) | Request a copy
	Text (BAB III) 7_bab3.pdf Restricted to Registered users only Download (137kB) | Request a copy
	Text (BAB IV) 8_bab4.pdf Restricted to Registered users only Download (499kB) | Request a copy
	Text (BAB V) 9_bab5.pdf Restricted to Registered users only Download (448kB) | Request a copy
	Text (BAB VI) 10_bab6.pdf Restricted to Registered users only Download (26kB) | Request a copy
	Text (DAFTAR PUSTAKA) 11_daotarpustaka.pdf Restricted to Registered users only Download (98kB) | Request a copy

Abstract

Aksara Sunda merupakan salah satu warisan budaya Nusantara yang memiliki nilai historis dan estetika tinggi. Namun, seiring dengan perkembangan zaman, kemampuan masyarakat dalam membaca dan menulis aksara Sunda semakin menurun, terutama karena kesulitan dalam mengenali tulisan tangan yang bervariasi bentuknya. Oleh karena itu, diper- lukan sebuah sistem berbasis kecerdasan buatan yang mampu mendeteksi dan mengklasi- fikasikan tulisan tangan aksara Sunda secara otomatis dan akurat. Penelitian ini bertujuan untuk membandingkan performa tiga arsitektur deep learning, yaitu Convolutional Neural Network (CNN), LeNet-5, dan AlexNet dalam mendeteksi tulisan tangan aksara Sunda. Dataset yang digunakan terdiri dari 4.396 citra aksara Sunda yang mencakup 18 kelas huruf kaganga, dikumpulkan dari sumber Kaggle, Google, dan Roboflow. Tahapan penelitian meliputi data preprocessing (meliputi resizing, normalization, dan augmentation), peran- cangan arsitektur model, proses pelatihan menggunakan TensorFlow dan Keras, serta pengujian model menggunakan confusion matrix untuk memperoleh nilai akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa ketiga model mampu mengenali aksara Sunda dengan tingkat akurasi yang berbeda. Model AlexNet memperoleh akurasi tertinggi sebesar 97,66%, diikuti oleh CNN dengan akurasi 95,21%, dan LeNet-5 dengan akurasi 92,45%. Hasil ini menunjukkan bahwa AlexNet memiliki kemampuan yang lebih baik dalam mengekstraksi fitur kompleks dari citra tulisan tangan dibandingkan dua model lainnya, berkat kedalaman jaringan dan penggunaan lapisan konvolusi yang lebih banyak. Selain itu, penerapan data augmentation seperti rotasi, horizontal flip, dan zooming terbukti meningkatkan performa ketiga model dengan menambah variasi data pelatihan dan mengu- rangi resiko overfitting. Berdasarkan hasil analisis, dapat disimpulkan bahwa AlexNet merupakan arsitektur yang paling optimal untuk digunakan dalam sistem deteksi tulisan tangan aksara Sunda karena memiliki keseimbangan terbaik antara akurasi, stabilitas pelatihan, dan kemampuan generalisasi. Sementara itu, model CNN standar dapat dijadikan alternatif apabila efisiensi komputasi menjadi prioritas, sedangkan LeNet-5 cocok untuk implementasi ringan pada perangkat dengan keterbatasan sumber daya.

Actions (login required)

View Item