Image of KLASIFIKASI CITRA TULISAN TANGAN AKSARA TRADISIONAL KAGANGA BENGKULU MENGGUNAKAN REGULARISASI CONVOLUTIONAL NEURAL NETWORK BERBASIS IMAGE FUSION

Skripsi

KLASIFIKASI CITRA TULISAN TANGAN AKSARA TRADISIONAL KAGANGA BENGKULU MENGGUNAKAN REGULARISASI CONVOLUTIONAL NEURAL NETWORK BERBASIS IMAGE FUSION

Penilaian

0,0

dari 5
Penilaian anda saat ini :  

Klasifikasi aksara tulisan tangan tradisional dan untuk melestarikan banyak budaya telah dikembangkan di beberapa bagian dunia, termasuk klasifikasi gambar aksara tulisan tangan Kanganga. Penelitian ini bertujuan untuk mengusulkan model kombinasi baru dengan menerapkan top-hat transform (THT) dan contrast-limited adaptive histogram equalization (CLAHE) dengan discrete wavelet transform (DWT) untuk mendukung kinerja convolutional neural network (CNN) dalam klasifikasi aksara Kaganga. Lokasi pengumpulan data untuk penelitian ini melibatkan beberapa organisasi yang berkaitan dengan riset warisan budaya, yaitu Riset Aksara Digital (RAD) oleh Yayasan Sejahtera Bersama di Bengkulu, Riset Budaya dan Digital oleh Yayasan Insani Mandiri Santani di Bengkulu, serta Yayasan Budaya Nusantara Digital di Jakarta. Penelitian ini mengumpulkan 1.150 dataset citra tulisan tangan huruf konsonan aksara Kaganga dari 50 responden. Penelitian ini menggunakan pendekatan PRISMA untuk melakukan Systematic Literature Review (SLR) dalam mempelajari pengenalan karakter aksara Kaganga Bengkulu. Tahap pertama melibatkan identifikasi artikel yang relevan melalui pencarian literatur di database seperti Scopus, Ebsco, Web of Science, dan Google Scholar. Eksperimen yang dilakukan mencakup penggunaan regularisasi pada model CNN (L1, Dropout, dan L2), penerapan CLAHE L2-CNN, THT L2-CNN, THCL L2-CNN serta eksperimen DWT-THCL L2-CNN untuk penggabungan citra. Hasil eksperimen dievaluasi dengan pengukuran akurasi, precision, recall, dan confusion matrix untuk menilai kinerja model. Model THT dan CLAHE dengan DWT Fusion L2 CNN (DWT-THCL L2 CNN) mendapatkan akurasi terbaik dari CNN dengan regularisasi L1, CNN dengan regularisasi dropout, CNN dengan regularisasi L2 dan CNN dengan model regularisasi L2 dan CLAHE. Berdasarkan hasil eksperimen yang dilakukan menunjukkan bahwa kombinasi preprocessing DWT, THT, dan CLAHE dengan arsitektur L2-CNN memberikan peningkatan akurasi yang signifikan. Pada konfigurasi pembagian dataset 70:15:15, diperoleh akurasi validasi sebesar 87,50% dan akurasi pengujian sebesar 89,50%, yang merupakan hasil terbaik dibanding konfigurasi lain. Pada proporsi 75:15:10, akurasi validasi dan pengujian menurun menjadi 73,96% dan 76,63% akibat jumlah data validasi dan pengujian yang kurang representatif. Sementara itu, pada konfigurasi 80:10:10, akurasi validasi mencapai 84,38% dan pengujian 80,00%, meskipun masih lebih rendah dibanding konfigurasi 70:15:15.

Availability
Inventory Code Barcode Call Number Location Status
2507006175T185276T1852762025Central Library (Reference)Available but not for loan - Not for Loan
Detail Information
Series Title
-
Call Number
T1852762025
Publisher
Palembang : Prodi Doktor Ilmu Teknik, Fakultas Teknik Universitas Sriwijaya.,
Collation
x, 253 hlm.; ilus.; tab.; 29 cm.
Language
Indonesia
ISBN/ISSN
-
Classification
306.407
Content Type
Text
Media Type
unmediated
Carrier Type
other (computer)
Edition
-
Subject(s)
Prodi Doktor Ilmu Teknik
Budaya Tulisan Tangan
Specific Detail Info
-
Statement of Responsibility
Other version/related
File Attachment
Comments
You must be logged in to post a comment