PENGENALAN POLA AKSARA JAWA DENGAN TRANSFORMASI FOURIER MENGGUNAKAN JARINGAN SARAF TIRUAN

WINARSIH, KUNTARI (2015) PENGENALAN POLA AKSARA JAWA DENGAN TRANSFORMASI FOURIER MENGGUNAKAN JARINGAN SARAF TIRUAN. S1 thesis, UNIVERSITAS SULTAN AGENG TIRTAYASA.

Text
SKRIPSI KUNTARI (PENGENALAN POLA AKSARA JAWA DENGAN TRANSFORMASI FOURIER MENGGUNAKAN JARINGAN SARAF TIRUAN) (3).pdf - Published Version
Restricted to Registered users only
Download (9MB)

Abstract

Aksara Jawa dikenal juga sebagai Hanacaraka atau Carakan, adalah salah satu aksara tradisional Nusantara yang digunakan untuk menulis bahasa Jawa dan sejumlah bahasa daerah Indonesia lainnya seperti bahasa Sunda dan bahasa Sasak, tulisan ini berkerabat dekat dengan aksara Bali. Karakter aksara Jawa merupakan pola karakter yang kompleks, hal ini disebabkan karena pola karakter tersebut memiliki banyak kemiripan antar setiap individu karakternya, sehingga penggunaannya tidak semudah huruf Latin. Kesulitan penggunaan aksara Jawa dalam media digital merupakan salah satu faktor yang menyebabkan kurang populernya aksara tersebut selain dikalangan preservasionist. Penelitian ini melihat kemampuan metode Jaringan Saraf Tiruan Backpropagation, dalam mengenali pola aksara Jawa. Aksara Jawa yang terdiri dari 20 karakter, karakter aksara Jawa memiliki banyak kemiripan dan sangat kompleks. Pada penelitian ini metode ekstraksi ciri yang digunakan adalah transformasi Fourier, yang disampling secara horizontal dan vertical. Arsitektur yang diterapkan menggunakan jaringan multilayer dengan sebuah input sebanyak 86 neuron, dua hidden layer dengan neuron 80 dan 30, dan sebuah output dengan jumlah neuron sebanyak 20. Algoritma pelatihan menggunakan variabel laju pembelajaran sebesar 0.3, dan momentum sebesar 0.9, dengan MSE akhir pelatihan 0.00000998, dan menggunakan kinerja pembelajaran traingdx. Nilai efektifitas sistem dilihat dari nilai sensitivitas, spesifikasi, dan akurasi. Nilai sensitivitas setiap karakter aksara Jawa sebesar 0.046-0.085, nilai spesifikasi sebesar 0.023-0.052, dan nilai akurasi sistem sebesar 59.5%.

Item Type:

Thesis (S1)

Contributors:

Contribution	Contributors	NIP/NIM
Thesis advisor	Wardoyo, Siswo	197803072009121003
Thesis advisor	Suryo Pramudyo, Anggoro	1984030420091211010

Additional Information:

Java letter is also known as Hanacaraka or Carakan, is one of the traditional characters the Archipelago used to write Java language and a number of other Indonesian regional languages like Sundanese and Sasak, this paper closely related to the Balinese letter. Java letter characters are complex patterns, it is because the character patterns have many similarities between each individual character, so its use is not as easy as the Latin alphabet. Difficulty use Java letter in digital media is one of the factors that cause the less popular characters other than among preservasionist. This research is to look at the ability of Neural Networks Backpropagation method, to recognize patterns Javanese letter. Java letter consisting of 20 characters, the character has many similarities and very complex. In this study used feature extraction method is the Fourier transform, which sampled horizontal and vertical. Architecture that is applied using a multilayer network with an input as much as 86 neurons, two hidden layer neurons 80 and 30, and an output of the number of neurons 20. Training algorithm using a variable learning rate of 0.3, and the momentum of 0.9, with the end of the training MSE 0.00000998, and use the learning performance traingdx. Value effectiveness of the system can be seen from the value of sensitivity, specificity, and accuracy. The value of sensitivity is 0.046-0.085, specificity is 0.023-0.052, and the accuracy of system is 59.5%.

Uncontrolled Keywords:

Kata Kunci: Aksara Jawa, Transformasi Fourier, Jaringan Saraf Tiruan, Backpropagation

Subjects:

T Technology > TK Electrical engineering. Electronics Nuclear engineering

Divisions:

03-Fakultas Teknik
03-Fakultas Teknik > 20201-Jurusan Teknik Elektro

Depositing User:

Perpustakaan Pusat

Date Deposited:

21 Apr 2022 15:04

Last Modified:

24 Aug 2022 14:59