TA : Ektraksi Fitur Angka Jawa Menggunakan Diagonal Distance Feature dan Longest Run Feature

Umam, Muhammad Misbahul (2015) TA : Ektraksi Fitur Angka Jawa Menggunakan Diagonal Distance Feature dan Longest Run Feature. Undergraduate thesis, Stikom Surabaya.

	Text COVER.pdf - Accepted Version Download--- (207kB)
	Text DAFTAR_ISI.pdf - Accepted Version Download--- (401kB)
	Text BAB_I.pdf - Accepted Version Download--- (240kB)
	Text BAB_II.pdf - Accepted Version Download--- (881kB)
	Text BAB_III.pdf - Accepted Version Download--- (911kB)
	Text BAB_IV.pdf - Accepted Version Download--- (925kB)
	Text BAB_V.pdf - Accepted Version Download--- (202kB)
	Text DAFTAR_PUSTAKA.pdf - Accepted Version Download--- (388kB)

Search this title on : |

Abstract

Aksara Jawa harus selalu dilestarikan agar Indonesia tidak kehilangan nilai budayanya. Menulis Aksara Jawa di zaman modern dapat dilakukan dengan menggunakan berbagai macam media diantaranya komputer, tablet, hingga smartphone. Hasil tulisan Aksara Jawa menggunakan media tersebut berupa gambar. Akibatnya tulisan Aksara Jawa di dalam gambar tersebut tidak terbaca sebagai teks yang dapat dikenali komputer. Salah satu metode pengenalan pola yaitu multi layer perceptron (MLP). Pada penelitian ini, input MLP adalah 40 fitur yang di ektraksi menggunakan 2 metode yaitu diagonal distance feature dan longest run feature. Ektraksi Diagonal Distance feature adalah metode ektraksi yang menghitung jarak diagonal antara sudut siku citra hingga ditemukannya piksel hitam dari karakter dalam citra. Sedangkan ektraksi longest run feature adalah metode ektraksi yang menghitung jumlah piksel hitam terpanjang serta berturut-turut di sepanjang baris, kolom, dan dua diagonal dari sub area citra. Sampel training dan sampel testing masing-masing berjumlah 25 set. Setiap set berisi 10 buah sampel pola tulisan tangan angka jawa. Keberhasilan pengenalan MLP menggunakan bobot hasil learning MLP dengan input 40 fitur pada tiap sampel sebesar 66,8% pada sampel training dan 62,8% pada sampel testing. Keberhasilan pengenalan MLP menggunakan bobot hasil learning MLP dengan input 36 fitur pada tiap sampel dari ektraksi longest run mencapai 100% pada sampel training dan 94,4% pada sampel testing. Keberhasilan pengenalan MLP menggunakan bobot hasil learning MLP dengan input 4 fitur pada tiap sampel dari ektraksi diagonal distance sebesar 10% pada sampel training maupun sampel testing.

Export Record

ASCII Citation Atom BibTeX Dublin Core EP3 XML EndNote HTML Citation JSON METS MODS MPEG-21 DIDL OpenURL ContextObject OpenURL ContextObject in Span RDF+N-Triples RDF+N3 RDF+XML Refer Reference Manager Simple Metadata

Download Statistics

Downloads over the past year. Other digital versions may also be available to download e.g. from the publisher's website.

View more statistics

Actions (login required)

View Item