PENGENALAN KARAKTER TULISAN TANGAN BAHASA JEPANG HIRAGANA MENGGUNAKAN SUPPORT VECTOR MACHINE DAN SCALE INVARIANT FEATURE TRANSFORM

Wardhani, Putu Raditha Chintia (2024) PENGENALAN KARAKTER TULISAN TANGAN BAHASA JEPANG HIRAGANA MENGGUNAKAN SUPPORT VECTOR MACHINE DAN SCALE INVARIANT FEATURE TRANSFORM. Diploma thesis, Universitas Pembangunan Nasional "Veteran" Yogyakarta.

	Text COVER.pdf Download (122kB)
	Text ABSTRAK.pdf Download (10kB)
	Text DAFTAR ISI.pdf Download (257kB)
	Text DAFTAR PUSTAKA.pdf Download (141kB)
	Text HALAMAN PENGESAHAN PEMBIMBING.pdf Download (82kB)
	Text HALAMAN PENGESAHAN PENGUJI.pdf Download (83kB)
	Text SKRIPSI FULL_PUTU RADITHA CHINTIA WARDHANI_123190077.pdf Restricted to Repository staff only Download (3MB)

Abstract

Jumlah karakter dalam bahasa Jepang Hiragana yang melimpah, kemiripan bentuk
karakter, dan kurangnya familiaritas masyarakat terhadap Hiragana dalam kehidupan sehari-
hari membuatnya sulit untuk dipelajari. Masyarakat cenderung lebih terbiasa dengan tulisan
romaji (abjad) daripada karakter tertentu, yang menyebabkan kesulitan dalam memahami
Hiragana dengan variasi ukuran dan bentuk yang beragam.
Penelitian ini bertujuan untuk mengembangkan sistem pengenalan tulisan tangan
bahasa Jepang Hiragana yang efektif dan sistematis menggunakan metode SVM (Support
Vector Machine) dan SIFT (Scale Invariant Feature Transform). Metodologi penelitian
mencakup identifikasi masalah, studi literatur, pengumpulan data, data preprocessing,
perancangan sistem, implementasi, dan evaluasi.
Data yang diperoleh mengalami proses augmentasi dan image preprocessing untuk
menciptakan variasi dan jumlah data yang lebih besar. Selanjutnya, dilakukan ekstraksi fitur
pada data menggunakan metode SIFT sebelum melatih model menggunakan SVM. Hasil
penelitian menunjukkan bahwa model SVM-SIFT mencapai akurasi sebesar 0.989130 pada
92 data pengujian dengan Skor CV terbaik 0.8509327303561335, yang lebih unggul
dibandingkan model SVM tanpa SIFT dengan akurasi 0.978261, dengan Skor CV terbaik
untuk model SVM tanpa SIFT sebesar 0.7746709410609622. Pengujian membuktikan
bahwa penggunaan SVM-SIFT efektif untuk klasifikasi tulisan tangan yang bervariasi dalam
bentuk dan ukuran.
Kata kunci: Bahasa Jepang, Pengenalan Hiragana, Klasifikasi tulisan, SVM-SIFT

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Bahasa Jepang, Pengenalan Hiragana, Klasifikasi tulisan, SVM-SIFT
Subjects:	Q Science > Q Science (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eny Suparny
Date Deposited:	23 Apr 2024 08:21
Last Modified:	23 Apr 2024 08:21
URI:	http://eprints.upnyk.ac.id/id/eprint/39342

Actions (login required)

View Item