Optical Character Recognition (Ocr) Menggunakan Learning Vector Quantization 3 (Lvq 3) Pada Citra Sertifikat

Alfinda, Adrian Syahputra (2021) Optical Character Recognition (Ocr) Menggunakan Learning Vector Quantization 3 (Lvq 3) Pada Citra Sertifikat. Other thesis, Universitas Komputer Indonesia.

Preview	Text UNIKOM_Adrian Syahputra Alfinda_Cover.pdf - Published Version Download (55kB) | Preview
Preview	Text UNIKOM_Adrian Syahputra Alfinda_Lembar Pengesahan.pdf - Published Version Download (305kB) | Preview
Preview	Text UNIKOM_Adrian Syahputra Alfinda_Surat Keterangan Persetujuan Publikasi.pdf - Published Version Download (170kB) | Preview
Preview	Text UNIKOM_Adrian Syahputra Alfinda_Surat Pernyataan Orisinalitas.pdf - Published Version Download (174kB) | Preview
Preview	Text UNIKOM_Adrian Syahputra Alfinda_Kata Pengantar.pdf - Published Version Download (70kB) | Preview
Preview	Text UNIKOM_Adrian Syahputra Alfinda_Daftar Isi.pdf - Published Version Download (127kB) | Preview
Preview	Text UNIKOM_Adrian Syahputra Alfinda_BAB 1.pdf - Published Version Download (165kB) | Preview
Preview	Text UNIKOM_Adrian Syahputra Alfinda_BAB 2.pdf - Published Version Download (406kB) | Preview
	Text UNIKOM_Adrian Syahputra Alfinda_BAB 3.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text UNIKOM_Adrian Syahputra Alfinda_BAB 4.pdf - Published Version Restricted to Repository staff only Download (975kB) | Request a copy
Preview	Text UNIKOM_Adrian Syahputra Alfinda_BAB 5.pdf - Published Version Download (33kB) | Preview
Preview	Text UNIKOM_Adrian Syahputra Alfinda_Daftar Pustaka.pdf - Published Version Download (104kB) | Preview

Abstract

Pada penelitian terhadap Optical Character Recognition (OCR) menggunakan algoritma Template Matching pada kasus citra digital berisi teks, didapatkan akurasi pengujian rata-rata tingkat keberhasilan mencapai 92,90%, akan tetapi akurasi akan turun apabila terdapat karakter yang tidak terdaftar pada Template Matching. Sedangkan sertifikat, jenis huruf yang dimiliki cenderung tidak sama dengan jenis huruf dokumen biasanya. Oleh karena itu, objek yang akan digunakan sebagai bahan penelitian adalah hasil scan huruf yang terdapat pada sertifikat. Pada penelitian ini, metode yang akan digunakan adalah Grayscaling, Maximally Stable Extrema Region (MSER), segmentasi Profile projection, Resize, dan untuk ekstraksi ciri menggunakan Regionprops, sedangkan metode klasifikasi yang akan digunakan adalah Learning Vector Quantization 3 (LVQ3). Hasil pengujian yang dilakukan terhadap 4 citra sertifikat melalui 4 kali pengujian parameter LVQ3, akurasi terbaik pengenalan karakter sertifikat didapatkan pada pengujian ke 4 dengan parameter epoh 500, learning rate 0.01, dan nilai window 0.2 sebesar 23%. Hasil akurasi tersebut lebih dipengaruhi oleh ekstraksi ciri dan dataset font yang tidak cocok dengan karakter citra sertifikat.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	OCR, LVQ3, MSER, Regionprops, Citra
Subjects:	000_COMPUTER SCIENCE, INFORMATION & GENERAL WORKS. > 004_Data Processing & Computer Science Q Science > QA Mathematics > QA76 Computer software
Divisions:	S1_SKRIPSI > FTIK_Teknik Informatika (01)
Depositing User:	Mrs. Calis Maryani
Date Deposited:	30 Dec 2021 04:43
Last Modified:	30 Dec 2021 04:43
URI:	http://elibrary.unikom.ac.id/id/eprint/4729

Actions (login required)

View Item