CONVOLUTIONAL NEURAL NETWORK DALAM KLASIFIKASI SUKU KATA PADA AKSARA JAWA

Aprilianta, Kevin (2019) CONVOLUTIONAL NEURAL NETWORK DALAM KLASIFIKASI SUKU KATA PADA AKSARA JAWA. Other thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

Preview	Text Cover_123150091_Kevin Aprilianta.pdf Download (926kB) | Preview
Preview	Text Halaman Pengesahan Pembimbing_123150091_Kevin Aprilianta.pdf Download (476kB) | Preview
Preview	Text Abstrak_123150091_Kevin Aprilianta.pdf Download (928kB) | Preview
Preview	Text Daftar Isi_123150091_Kevin Aprilianta.pdf Download (954kB) | Preview

Abstract

ABSTRAK Aksara Jawa merupakan salah satu kebudayaan khas daerah Jawa. Peran aksara Jawa terlihat dalam penggunaannya pada penulisan nama lokasi instansi atau lokasi tertentu yang memiliki nilai sejarah dan pariwisata. Penggunaan aksara Jawa di tempat umum menjadikan keberadaan aksara ini dilihat oleh banyak orang, tidak hanya oleh masyarakat Jawa saja sehingga beberapa diantaranya mengalami kesulitan dalam mengenali arti dari aksara Jawa yang ditemui. Kesulitan tersebut memunculkan ide pengembangan di bidang teknologi yang melibatkan pengenalan pola dan pengolahan citra mengingat ciri aksara Jawa yang memiliki keunikan bentuk pola dan penggunaannya yang kerap dijumpai dalam bentuk citra. Salah satu metode pengenalan pola dan pengolahan citra adalah Convolutional Neural Network (CNN). CNN merupakan metode yang menggunakan operasi konvolusi dalam melakukan ekstraksi ciri pada citra sebagai dasar klasifikasi. Bentuk pola yang khas dari aksara Jawa diolah dan dikenali untuk dapat diklasifikasikan menurut arti dari aksara tersebut. Proses pada penelitian ini terdiri dari pengolahan data awal, klasifikasi, dan pembentukan suku kata. Klasifikasi terdiri dari 48 kelas dengan cakupan jenis aksara Jawa adalah aksara huruf dasar (Carakan) dan aksara pengubah bunyi (Sandhangan). Pengujian dilakukan dengan skenario confusion matrix multi-class untuk menentukan tingkat akurasi, presisi, dan recall dari model CNN yang dibangun. Arsitektur CNN yang dibangun terdiri dari tiga convolution layer dengan disertai operasi max-pooling. Konfigurasi pelatihan meliputi learning rate sebesar 0,0001 dan jumlah filter untuk setiap convolution layer adalah sebanyak 32, 64, dan 128 filter. Nilai dropout yang digunakan sebesar 0,5 dan jumlah neuron pada fully-connected layer sebanyak 1.024 neuron. Performa rata-rata nilai akurasi mencapai 87,65%, rata-rata nilai presisi adalah 88,01%, dan rata-rata nilai recall sebesar 87,70%. Kata kunci: Aksara Jawa, Pengenalan Pola, Convolutional Neural Network.

Actions (login required)

View Item