IMPLEMENTASI ALGORITMA YOU ONLY LOOK ONCE (YOLOv8) DAN SPELLING CORRECTION PETER NORVIG UNTUK PENERJEMAH TULISAN TANGAN BRAILLE

Ahlul Fadhly, . (2025) IMPLEMENTASI ALGORITMA YOU ONLY LOOK ONCE (YOLOv8) DAN SPELLING CORRECTION PETER NORVIG UNTUK PENERJEMAH TULISAN TANGAN BRAILLE. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text 1_Cover_123210091.pdf Download (160kB)
	Text 2_Abstrak_123210091.pdf Download (239kB)
	Text 3_Halaman Pengesahan_123210091.pdf Download (661kB)
	Text 4_Daftar Isi_123210091.pdf Download (218kB)
	Text 5_Daftar Pustaka_123210091.pdf Download (206kB)
	Text 6_Fulltext_123210091.pdf Restricted to Repository staff only Download (6MB)

Abstract

Pengenalan tulisan Braille secara otomatis merupakan salah satu tantangan dalam bidang pengolahan citra karena karakteristiknya yang unik berupa pola titik timbul berukuran kecil dan berkontras rendah. Berbagai penelitian sebelumnya telah berupaya mengatasi tantangan tersebut dengan menerapkan metode seperti Convolutional Neural Network (CNN), Gabor Wavelet, dan Support Vector Machine (SVM). Pendekatan berbasis CNN menunjukkan akurasi tinggi hingga 97,6% dalam mengenali karakter tunggal, namun masih terbatas pada deteksi individual dan sensitif terhadap variasi pencahayaan. Metode Gabor Wavelet dan SVM juga menghasilkan akurasi tinggi pada citra hasil pemindaian, tetapi kurang representatif untuk citra hasil kamera di kondisi nyata. Kesalahan deteksi dan klasifikasi yang masih terjadi sering menyebabkan hasil translasi tidak akurat.
Penelitian ini bertujuan untuk mendeteksi dan mengenali karakter Braille menggunakan metode YOLOv8 serta menerapkan Spelling Correction Peter Norvig untuk memperbaiki kesalahan hasil translasi. Model YOLOv8 dilatih menggunakan 959 citra Braille, yang terdiri dari data primer hasil pengambilan langsung dan data sekunder dari Roboflow, mencakup 28 kelas karakter, termasuk huruf A–Z serta simbol penanda seperti kapital dan angka. Proses pelatihan model dilakukan dengan tiga kombinasi parameter, yaitu variasi optimizer (AdamW, SGD, RMSProp), dua nilai learning rate, dan dua variasi jumlah epoch (30 dan 60), untuk menentukan konfigurasi terbaik berdasarkan metrik precision, recall, dan mAP50.
Hasil penelitian menunjukkan bahwa optimizer SGD dengan learning rate 0,01 dan epoch 60 memberikan performa terbaik, dengan precision 96,2%, recall 98,4%, dan mAP50 98,1%. Model mampu mendeteksi seluruh karakter Braille sekaligus (multi-objek), tahan terhadap variasi pencahayaan, dan menghasilkan deteksi yang akurat pada jarak 10–20 cm, sedangkan pada jarak lebih jauh (30–40 cm) beberapa karakter tidak terdeteksi akibat citra buram dan ukuran titik yang mengecil. Penerapan Spelling Correction berhasil meningkatkan akurasi translasi hingga 90,5%, sehingga sistem mampu mengenali dan menerjemahkan karakter Braille secara lebih tepat dan komprehensif dibandingkan metode sebelumnya.

Kata Kunci: Braille, YOLOv8, Deteksi Objek, Koreksi Ejaan, Penerjemahan

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Ahlul Fadhly (Penulis - 123210091) Bagus Muhammad Akbar (Pembimbing)
Uncontrolled Keywords:	Braille, YOLOv8, Deteksi Objek, Koreksi Ejaan, Penerjemahan
Subjek:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	22 Oct 2025 00:49
Last Modified:	22 Oct 2025 00:49
URI:	http://eprints.upnyk.ac.id/id/eprint/44719

Actions (login required)

View Item