Pengenalan Tulisan Tangan Aksara Sunda Dengan Menggunakan Convolutional Neural Network Sebagai Feature Extractor Dan Extreme Learning Machine Sebagai Classifier

Febriansyah, Aldy (2021) Pengenalan Tulisan Tangan Aksara Sunda Dengan Menggunakan Convolutional Neural Network Sebagai Feature Extractor Dan Extreme Learning Machine Sebagai Classifier. Other thesis, Univeristas Komputer Indonesia.

Preview	Text UNIKOM_ALDY FEBRIANSYAH_LEMBAR PENGESAHAN.pdf - Published Version Download (285kB) | Preview
Preview	Text UNIKOM_ALDY FEBRIANSYAH_SURAT KETERANGAN PUBLIKASI.pdf - Published Version Download (184kB) | Preview
Preview	Text UNIKOM_ALDY FEBRIANSYAH_SURAT KETERANGAN ORISINALITAS.pdf - Published Version Download (191kB) | Preview
Preview	Text UNIKOM_ALDY FEBRIANSYAH_KATA PENGANTAR.pdf - Published Version Download (97kB) | Preview
Preview	Text UNIKOM_ALDY FEBRIANSYAH_DAFTAR ISI.pdf - Published Version Download (190kB) | Preview
Preview	Text UNIKOM_ALDY FEBRIANSYAH_BAB 1.pdf - Published Version Download (108kB) | Preview
Preview	Text UNIKOM_ALDY FEBRIANSYAH_BAB 2.pdf - Published Version Download (394kB) | Preview
	Text UNIKOM_ALDY FEBRIANSYAH_BAB 3.pdf - Published Version Restricted to Repository staff only Download (913kB) | Request a copy
	Text UNIKOM_ALDY FEBRIANSYAH_BAB 4.pdf - Published Version Restricted to Repository staff only Download (455kB) | Request a copy
Preview	Text UNIKOM_ALDY FEBRIANSYAH_BAB 5.pdf - Published Version Download (11kB) | Preview
Preview	Text UNIKOM_ALDY FEBRIANSYAH_DAFTAR PUSTAKA.pdf - Published Version Download (117kB) | Preview
Preview	Text UNIKOM_ALDY FEBRIANSYAH_KONTAK PENULIS DAN KONTRIBUTOR.pdf - Published Version Download (7kB) | Preview

Abstract

Aksara sunda adalah hasil karya ortografi masyarakat suku sunda melalui perjalanan sejarahnya sejak abad 5 M hingga saat ini. Aksara sunda cukup rumit dan unik dalam penulisan maupun pelafalannya sehingga aksara sunda sulit untuk dikenali, karena keunikan inilah maka aksara sunda ini harus tetap dijaga dan dilestraikan, salah satu upaya untuk melestarikan aksara sunda ini maka dilakukanlah penelitian mengenai pengenalan pola tulisan tangan aksara sunda untuk memudahkan dalam proses pengenalan aksara sunda. Pada penelitian sebelumnya terkait dengan pengenalan pola tulisan tangan aksara sudah dilakukan dengan beberapa metode yaitu dengan Modified Direction dan Learning Vector Quantization, Template Matching, dan Convolutional Neural Network (CNN) dengan hasil terbaik didapatkan dengan menggunakan CNN, hasil dari penelitian sebelumnya masih belum maksimal hal ini kemungkinan di sebabkan oleh metode klasifikasi atau ekstraksi fitur yang digunakan kurang baik untuk mendeteksi aksara sunda. CNN-ELM adalah model yang memanfaatkan CNN untuk ekstraksi fitur dan Extreme Learning Machine (ELM) untuk klasifikasi, pada penelitian sebelumnya CNN-ELM telah terbukti memiliki hasil performansi yang bagus dalam berbagai kasus baik dalam pengenalan tulisan tangan, pendeteksi api, dan pendeteksi tumor pada otak, dari penelitian sebelumnya yang menggunakan CNN-ELM membuktikan bahwa CNN-ELM dapat mengalahkan performansi dari metode yang hanya menggunakan CNN baik dari segi kecepatan latih maupun akurasi, selain itu pada penelitian sebelumnya membuktikan CNN-ELM dapat bekerja lebih baik dibandingkan CNN meskipun dataset yang digunakan pada CNN-ELM saat pelatihan lebih sedikit, Setelah dilakukan beberapa pengujian pada tulisan tangan aksara sunda dengan menggunakan CNN-ELM didapatkan hasil terbaik dengan akurasi sebesar 88% dengan jumlah hidden neuron sebanyak 30000.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Extreme Learning Machine, Convolutional Neural Network, Aksara Sunda, CNN-ELM, Pengenalan Tulisan Tangan
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:	Mia Hayati Kosasih
Date Deposited:	17 Jun 2022 04:14
Last Modified:	17 Jun 2022 04:14
URI:	http://elibrary.unikom.ac.id/id/eprint/5591

Actions (login required)

View Item