Yusuf, Ichsan Nur Rachmad (2024) Deteksi tulisan tangan aksara Jawa Hanacaraka dengan menggunakan Recurrent Neural Network(RNN). Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text (COVER)
1_cover.pdf Download (68kB) | Preview |
|
|
Text (ABSTRAK)
2_abstrak.pdf Download (87kB) | Preview |
|
|
Text (DAFTAR ISI)
3_daftarisi.pdf Download (50kB) | Preview |
|
|
Text (BAB I)
4_bab1.pdf Download (355kB) | Preview |
|
Text (BAB II)
5_bab2.pdf Restricted to Registered users only Download (237kB) | Request a copy |
||
Text (BAB III)
6_bab3.pdf Restricted to Registered users only Download (100kB) | Request a copy |
||
Text (BAB IV)
7_bab4.pdf Restricted to Registered users only Download (401kB) | Request a copy |
||
Text (BAB V)
8_bab5.pdf Restricted to Registered users only Download (554kB) | Request a copy |
||
Text (BAB VI)
9_bab6.pdf Restricted to Registered users only Download (90kB) | Request a copy |
||
Text (DAFTAR PUSTAKA)
10_daftarpustaka.pdf Restricted to Registered users only Download (103kB) | Request a copy |
Abstract
Aksara Jawa Hanacaraka merupakan warisan budaya Indonesia yang berharga, namun penggunaannya telah menurun karena kurangnya pengetahuan serta kemampuan membaca dan menulis aksara tersebut. Tantangan utama dalam mendeteksi dan mengenali tulisan tangan aksara Jawa adalah variasi bentuk dan gaya tulisannya. Penelitian ini bertujuan untuk melatih komputer agar mampu mengenali Aksara Jawa. Sebelum penelitian ini, telah ada beberapa penelitian serupa dengan metode pengenalan yang berbeda. Pada penelitian ini, digunakan metode Recurrent Neural Network (RNN). Secara garis besar, proses deteksi dan pengenalan huruf aksara Jawa dibagi menjadi tiga bagian: input citra gambar aksara yang digunakan sebagai dataset sebanyak 500 citra untuk data pelatihan dan 8 citra untuk data uji prediksi, proses pembuatan model Recurrent Neural Network, serta output dari perancangan ini yaitu kinerja model Recurrent Neural Network. Hasil pengujian menunjukkan bahwa model memiliki akurasi keseluruhan sebesar 96%, dengan precision, recall, dan F1 score rata-rata masing-masing sebesar 96%. Kalimat seperti ”Dhahara”, ”Jawanagara”, ”Malaca”, dan ”Ramayana” berhasil dideteksi dengan benar sepenuhnya, meskipun beberapa kalimat seperti ”Jayabaya”, ”Nyala”, dan ”Palawa” mengalami kesalahan prediksi.
Item Type: | Thesis (Sarjana) |
---|---|
Uncontrolled Keywords: | Aksara Jawa; Deteksi Tulisan Tangan; Hanacaraka; Machine Learning; Recurrent Neural Network (RNN) |
Subjects: | Data Processing, Computer Science Applied Linguistics Arts |
Divisions: | Fakultas Sains dan Teknologi > Program Studi Teknik Elektro |
Depositing User: | ICHSAN RACHMAD |
Date Deposited: | 27 Aug 2024 02:26 |
Last Modified: | 27 Aug 2024 02:26 |
URI: | https://digilib.uinsgd.ac.id/id/eprint/94225 |
Actions (login required)
View Item |