PENERAPAN SCALE INVARIANT FEATURE TRANSFORM UNTUK PENGENALAN TULISAN TANGAN KARAKTER AKSARA SUNDA PADA SUPPORT VECTOR MACHINE

RAMDANI, ABDI DWI (2025) PENERAPAN SCALE INVARIANT FEATURE TRANSFORM UNTUK PENGENALAN TULISAN TANGAN KARAKTER AKSARA SUNDA PADA SUPPORT VECTOR MACHINE. Skripsi thesis, UPN Veteran Yogyakarta.

[thumbnail of COVER.pdf] Text
COVER.pdf

Download (111kB)
[thumbnail of ABSTRAK.pdf] Text
ABSTRAK.pdf

Download (70kB)
[thumbnail of PENGESAHAN PEMBIMBING.pdf] Text
PENGESAHAN PEMBIMBING.pdf

Download (6MB)
[thumbnail of PENGESAHAN PENGUJI.pdf] Text
PENGESAHAN PENGUJI.pdf

Download (7MB)
[thumbnail of DAFTAR ISI.pdf] Text
DAFTAR ISI.pdf

Download (154kB)
[thumbnail of DAFTAR PUSTAKA.pdf] Text
DAFTAR PUSTAKA.pdf

Download (196kB)
[thumbnail of SKRIPSI FULL ABDI DWI RAMDANI.pdf] Text
SKRIPSI FULL ABDI DWI RAMDANI.pdf
Restricted to Repository staff only

Download (3MB)

Abstract

Masyarakat Sunda merupakan suku terbesar kedua (15,5 persen) setelah suku Jawa. Namun, tidak banyak penutur yang memahami aksara Sunda. Beragam lambang membuat aksara Sunda sulit dihafal. Perda Nomor Tahun 2003 tentang pemeliharaan, Aksara, Bahasa, dan Sastra Daerah yaitu aksara Sunda. Inovasi komputerisasi dapat dilakukan melalui system pengenalan aksara Sunda untuk menujang kelestarian budaya tersebut. Penelitian ini bertujuan untuk mengembangkan sistem pengenalan tulisan tangan aksara Sunda yang efektif dan sistematis menggunakan metode SVM (Support Vector Machine), dengan bantuan ekstraksi fitur SIFT (Scale Invariant Feature Transform), dan mengetahui nilai akurasinya. Metodologi penelitian mencakup bussines understanding, data understanding, data preparation, modelling, evaluation, dan deployment. Data yang diperoleh mengalami proses augmentasi data, kemudian dilakukan preprocessing (resize, grayscale, centered image, dan histogram equalization). Selanjutnya, dilakukan ekstraksi fitur pada data menggunakan metode SIFT, sebelum akhirnya melatih model menggunakan SVM. Hasil penelitian menunjukkan bahwa hasil model SVM-SIFT mencapai akurasi sebesar 85% data uji dengan rasio splitting 95:5, k = 300, C = 10, kernel RBF dan gamma = 0.231. Model tersebut lebih unggul dibandingkan model SVM tanpa SIFT dengan peningkatan precision berbagai kelas dan akurasi 81% pada data uji.

Kata kunci: Aksara Sunda, Klasifikasi Tulisan, Support Vector Machine (SVM), Scale Invariant Feature Transform (SIFT)

Item Type: Tugas Akhir (Skripsi)
Uncontrolled Keywords: Aksara Sunda, Klasifikasi Tulisan, Support Vector Machine (SVM), Scale Invariant Feature Transform (SIFT)
Subjek: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions: Fakultas Teknik Industri > (S1) Informatika
Depositing User: A.Md Eko Suprapti
Date Deposited: 14 Apr 2025 01:38
Last Modified: 25 Jul 2025 06:59
URI: http://eprints.upnyk.ac.id/id/eprint/42351

Actions (login required)

View Item View Item