IMPLEMENTASI YOLOV8 UNTUK DETEKSI KARAKTER AKSARA JAWA DALAM CITRA DIGITAL

Winalfan Artensena Pamuji, . (2025) IMPLEMENTASI YOLOV8 UNTUK DETEKSI KARAKTER AKSARA JAWA DALAM CITRA DIGITAL. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text 1_Cover_123210168_Winalfan Artensena Pamuji.pdf Download (346kB)
	Text 2_Abstrak_123210168_Winalfan Artensena Pamuji.pdf Download (189kB)
	Text 3_Halaman Pengesahan_123210168_Winalfan Artensena Pamuji.pdf Download (5MB)
	Text 4_Daftar Isi_123210168_Winalfan Artensena Pamuji.pdf Download (134kB)
	Text 5_Daftar Pustaka_123210168_Winalfan Artensena Pamuji.pdf Download (126kB)
	Text 6_Skripsi Full_123210168_Winalfan Artensena Pamuji.pdf Restricted to Repository staff only Download (33MB)

Abstract

Penelitian sebelumnya dalam deteksi aksara Jawa menunjukkan beberapa
keterbatasan metodologis. Penggunaan Convolutional Neural Network (CNN) berdasarkan
temuan sebelumnya terbukti hanya berfokus pada klasifikasi karakter tunggal (single object
detection) dan tidak memperhitungkan letak karakter dalam sebuah citra utuh (non-spatial
aware). Sementara itu, pendekatan lain yang sudah menerapkan deteksi multi-objek seperti
YOLOv5 masih memiliki kelemahan dalam menyusun karakter sesuai urutan baca serta
kesulitan mendeteksi pada gambar dengan noise atau resolusi rendah. Peningkatan performa
yang tidak signifikan dari metode-metode tersebut menunjukkan bahwa solusi yang ada
belum sepenuhnya optimal untuk menangani kompleksitas aksara Jawa.
Untuk mengatasi masalah tersebut, penelitian ini mengimplementasikan algoritma
You Only Look Once versi 8 (YOLOv8), khususnya model YOLOv8l, untuk
mengembangkan sistem deteksi dan pengenalan karakter aksara Jawa tulisan tangan. Sistem
ini dilatih menggunakan dataset yang terdiri dari 2.869 citra, yang merupakan gabungan dari
1.105 citra primer dan sekunder yang telah melalui berbagai tahap preprocessing seperti
pembersihan, pelabelan, pemisahan data, penyesuaian ukuran, dan augmentasi. Model diuji
dengan tiga variasi optimizer (Adam, RMSProp, dan SGD) dengan variasi epoch 30, 40, dan
50 untuk menemukan konfigurasi terbaik , yang kemudian diintegrasikan ke dalam sistem
berbasis web menggunakan framework Streamlit.
Hasil pengujian menunjukkan bahwa model dengan optimizer SGD pada 50 epoch
memberikan performa terbaik, dengan nilai precision mencapai 98,2%, recall 98,0%, dan
mean Average Precision (mAP50) sebesar 98,8%. Pengujian lebih lanjut menunjukkan
model memiliki ketahanan yang baik terhadap noise tingkat rendah hingga sedang dan
performa deteksi paling optimal pada citra beresolusi tinggi. Sistem yang dikembangkan
berhasil mendeteksi karakter aksara Jawa secara akurat, menampilkan hasil deteksi lengkap
dengan bounding box, dan memberikan keluaran berupa hasil bacaan teks. Hasil ini
membuktikan bahwa implementasi YOLOv8l sangat efektif dan tangguh untuk tugas deteksi
karakter aksara Jawa, serta berkontribusi sebagai solusi efisien untuk pengenalan karakter
secara otomatis dalam upaya pelestarian budaya.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Winalfan Artensena Pamuji (Penulis - 123210168) ; Ahmad Taufiq Akbar (Pembimbing)
Uncontrolled Keywords:	Aksara Jawa, Deteksi Objek, Deep Learning, YOLOv8, Pengolahan Citra
Subjek:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	22 Oct 2025 00:59
Last Modified:	22 Oct 2025 00:59
URI:	http://eprints.upnyk.ac.id/id/eprint/44723

Actions (login required)

View Item