IMPLEMENTASI OBJECT DETECTION UNTUK MELAKUKAN DETEKSI KARAKTER TULISAN TANGAN AKSARA JAWA PADA CITRA MENGGUNAKAN ARSITEKTUR FASTER R-CNN

Rahayu, Elisia Dwi (2023) IMPLEMENTASI OBJECT DETECTION UNTUK MELAKUKAN DETEKSI KARAKTER TULISAN TANGAN AKSARA JAWA PADA CITRA MENGGUNAKAN ARSITEKTUR FASTER R-CNN. Other thesis, UPN "Veteran" Yogyajarta.

	Text ABSTRAK.pdf Download (117kB)
	Text COVER.pdf Download (259kB)
	Text DAFTAR ISI.pdf Download (112kB)
	Text DAFTAR PUSTAKA.pdf Download (171kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (419kB)
	Text PENGESAHAN PENGUJI.pdf Download (443kB)
	Text SKRIPSI FULL_ELISIA DWI RAHAYU_123190062.pdf Restricted to Repository staff only Download (3MB)

Abstract

vi
ABSTRAK
Penelitian tentang pengenalan karakter tulisan tangan aksara Jawa sebelumnya
dilakukan dengan menggunakan metode klasifikasi yang dapat mengenali karakter aksara
Jawa, namun terbatas hanya pada satu karakter. Untuk mengenali karakter aksara Jawa
dengan lebih dari satu karakter pada citra, dibutuhkan suatu pendekatan yang dapat
menemukan lebih dari satu objek pada citra, yaitu dengan object detection. Arsitektur Faster
R-CNN disebut sebagai arsitektur yang efektif untuk melakukan object detection. Oleh
karena itu, penelitian ini memanfaatkan arsitektur Faster R-CNN untuk melakukan deteksi
karakter tulisan tangan aksara Jawa agar dapat mendeteksi lebih dari satu karakter pada citra.
Penelitian ini menerapkan object detection untuk mendeteksi lebih dari satu karakter
tulisan tangan aksara Jawa pada citra. Tahapan yang dilakukan pada penelitian ini yaitu
pengumpulan data, data preprocessing, pelatihan model, dan evaluasi model. Dataset yang
digunakan pada penelitian ini berjumlah 9620 data training yang terdiri dari 20 karakter
tulisan tangan aksara Jawa. Proses training model dilakukan pada berbagai iterasi dengan
arsitektur Faster R-CNN.
Dari proses training model yang dilakukan pada berbagai iterasi, ditemukan bahwa
pada iterasi di atas 15000 tidak terjadi penurunan nilai loss yang signifikan dan cenderung
naik turun dengan perubahan yang kecil. Kemudian dari evaluasi model, model terbaik
diperoleh pada iterasi ke 38480 (16 epoch). Pada iterasi tersebut diperoleh AP sebesar
69.174%, AP@50 sebesar 99.620%, dan AP@75 sebesar 84.944%. Namun terdapat
perbedaan kinerja model untuk mendeteksi tiap karakter tulisan tangan aksara Jawa.
Kata Kunci: aksara jawa; object detection; Faster R-CNN
vii
ABSTRACT
Previous studies have been conducted on recognizing handwritten Javanese script
characters. However, the classification method used in those studies was only capable of
recognizing one character at a time. To recognize Javanese characters that have more than
one character in the image, object detection is necessary. The Faster R-CNN architecture is
an effective approach for object detection. Therefore, this research utilizes the Faster R-
CNN architecture to detect Javanese handwritten characters, which can detect multiple
characters in a single image.
In this research, object detection is utilized to detect multiple Javanese handwritten
characters within one image. The process of this research includes four stages: data
collection, data preprocessing, model training, and model evaluation. The dataset used in
this research consists of 9620 training data samples that contain 20 different types of
Javanese handwritten characters. The model training process is carried out in various
iterations with the Faster R-CNN architecture.
From the process of training the model in various iterations, it was observed that
beyond 15,000 iterations, there was no significant decrease in the loss value. It tended to
oscillate with small changes. However, during model evaluation, the best model was
obtained at the 38480th iteration (16 epochs). This iteration recorded an AP of 69.174%,
AP@50 of 99.620%, and AP@75 of 84.944%. However, there are differences in model
performance for detecting each Javanese handwritten character.
Keywords: Javanese script; object detection; Faster R-CNN

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Javanese script; object detection; Faster R-CNN
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	14 Dec 2023 03:24
Last Modified:	14 Dec 2023 03:24
URI:	http://eprints.upnyk.ac.id/id/eprint/38343

Actions (login required)

View Item