Implementasi Model CNN Berbasis ResNet-50 dan YOLOV11 Untuk Deteksi dan Klasifikasi Karakter Jepang

Alfiyan Yusuf, . (2026) Implementasi Model CNN Berbasis ResNet-50 dan YOLOV11 Untuk Deteksi dan Klasifikasi Karakter Jepang. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text Cover_123210068.pdf Download (246kB)
	Text Abstrak_123210068.pdf Download (334kB)
	Text Halaman Pengesahan_123210068.pdf Download (6MB)
	Text Daftar Isi_123210068.pdf Download (249kB)
	Text Daftar Pustaka_123210068.pdf Download (310kB)
	Text Fulltext_123210068.pdf Restricted to Repository staff only Download (6MB)

Abstract

Sistem tulisan bahasa Jepang yang menggabungkan karakter Kanji dan Hiragana
memiliki tingkat kompleksitas visual yang sangat tinggi, yang sering kali menjadi hambatan
signifikan bagi pelajar internasional dalam proses penguasaan bahasa. Kesulitan utama
terletak pada kemiripan bentuk antar karakter serta jumlah karakter yang mencapai ribuan,
sehingga menuntut adanya solusi teknologi cerdas yang mampu membantu proses
identifikasi secara otomatis dan cepat. Penelitian ini bertujuan untuk mengimplementasikan
teknologi deep learning mutakhir guna mendeteksi serta mengklasifikasikan karakter Kanji
dan Hiragana dengan tingkat akurasi yang optimal, sehingga dapat diaplikasikan dalam alat
bantu pembelajaran digital.
Metodologi yang diusulkan dalam penelitian ini menggunakan pendekatan two-stage
deep learning yang mengintegrasikan model YOLOv11 dan ResNet-50. Tahap pertama
difokuskan pada lokalisasi karakter menggunakan YOLOv11 untuk mendeteksi posisi
karakter pada citra dalam bentuk bounding box. Tahap kedua melibatkan arsitektur Residual
Network (ResNet-50) untuk melakukan klasifikasi terhadap karakter yang telah terdeteksi
ke dalam 2.177 kelas karakter yang berbeda. Dalam prosesnya, strategi transfer learning
dengan bobot pra-latih (pre-trained weights) COCO dan ImageNet diterapkan untuk
mempercepat konvergensi model. Selain itu, teknik augmentasi data seperti rotasi,
penyesuaian kecerahan, dan noise
injection digunakan untuk memastikan model
memiliki ketahanan yang baik terhadap variasi citra di dunia nyata.
Hasil pengujian secara komprehensif menunjukkan bahwa model deteksi YOLOv11
mampu mencapai performa yang sangat handal dengan nilai precision sebesar 0,97, recall
sebesar 0,93, dan mAP50 sebesar 0,96. Di sisi lain, tahap klasifikasi menggunakan ResNet
50 menunjukkan hasil yang sangat impresif dengan raihan akurasi Top-1 sebesar 98,22%
dan akurasi Top-5 mencapai 99,77%. Metrik evaluasi lainnya juga menunjukkan konsistensi
yang tinggi dengan nilai rata-rata precision, recall, dan F1-score pada angka 0,98. Secara
keseluruhan, integrasi kedua model ini terbukti sangat efektif dalam mengenali karakter
Kanji dan Hiragana pada berbagai kondisi lingkungan citra. Hasil penelitian ini diharapkan
dapat menjadi fondasi yang kuat bagi pengembangan aplikasi pemindaian teks bahasa
Jepang yang presisi dan efisien di masa depan.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	ALFIYAN YUSUF (Penulis - 123210068) ; Ahmad Taufiq Akbar (Pembimbing)
Uncontrolled Keywords:	Kanji, Hiragana, YOLOv11, ResNet-50, Transfer Learning
Subjek:	P Language and Literature > PL Languages and literatures of Eastern Asia, Africa, Oceania Q Science > QA Mathematics Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	A.Md Eko Suprapti
Date Deposited:	04 Jun 2026 01:00
Last Modified:	04 Jun 2026 01:00
URI:	http://eprints.upnyk.ac.id/id/eprint/49103

Actions (login required)

View Item