Deteksi tulisan tangan aksara Jawa Hanacaraka dengan menggunakan Recurrent Neural Network(RNN)

Yusuf, Ichsan Nur Rachmad (2024) Deteksi tulisan tangan aksara Jawa Hanacaraka dengan menggunakan Recurrent Neural Network(RNN). Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (68kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (87kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (50kB) | Preview
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.

Actions (login required)

View Item