Anisya Nursyah Gusman (2018) Implementasi Chain Codedan Learning Vector Quantization (LVQ) untuk Pengenalan Karakter Huruf Jepang Katakana. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.

Preview	Text 1. COVER_2018314TIF.pdf Download (126kB) | Preview
Preview	Text 2. PENGESAHAN_2018314TIF.pdf Download (885kB) | Preview
Preview	Text 3. ABSTRAK_2018314TIF.pdf Download (175kB) | Preview
Preview	Text 4. KATA PENGANTAR_2018314TIF.pdf Download (208kB) | Preview
Preview	Text 5. DAFTAR ISI_2018314TIF.pdf Download (453kB) | Preview
Preview	Text 6. BAB I_2018314TIF.pdf Download (250kB) | Preview
Preview	Text 7. BAB II_2018314TIF.pdf Download (769kB) | Preview
Preview	Text 8. BAB III_2018314TIF.pdf Download (336kB) | Preview
Preview	Text 9. BAB IV_2018314TIF.pdf Download (760kB) | Preview
	Text 10. BAB V_2018314TIF.pdf Restricted to Repository staff only Download (1MB)
Preview	Text 11. BAB VI_2018314TIF.pdf Download (98kB) | Preview
Preview	Text 12. DAFTAR PUSTAKA_2018314TIF.pdf Download (459kB) | Preview

Abstract

Bahasa Jepang memiliki 3 jenis huruf salah satunya adalah Huruf Katakana. Kelemahan dari Huruf Katakana adalah memiliki kemiripan dari satu huruf dengan huruf lainnya. Untuk mempelajari Huruf Katakana menjadi lebih mudah, diperlukan teknologi yang membantudalam mengidentifikasi pola Huruf Katakana. Pada penelitian ini menerapkan metode Chain Code digunakan untuk ekstraksi ciri dan LVQ digunakan untuk pengenalan (identifikasi), kemudian menggunakan metode confusion matrixuntuk menghitung hasil akurasi data. Data yang digunakan sebanyak 495 data dengan mengguakan pola sebanyak 15 pola dan banyak kelas yang digunakan sebanyak 33 kelas. Pada penelitian ini terdiri dari 3 tahapan yaitu pre-processing, processing,dan identifikasi. Pengujian dilakukan berdasarkan panjang vektor yang dihasil oleh chain code, penggunaan data resize dan tanpa resize pada data citra, pengaruh learning rateyang digunakan yaitu 0.0001, 0.0005, 0.001, 0.005, 0.01, 0.05, 0.07 dan 0.1 pembagian data latih dan data uji dengan pembagian data 90%:10%, 80%:20% , dan 70%:30% dan pengurangan learning rate sebesar 0.1, 0.5, dan 0.01. Berdasarkan hasil pengujian, rata-rata akurasi tertinggi yang dihasilkan terdapat pada pembagian data yaitu 90%:10% dengan menggunakan citra resizedan pengurangan learning rate 0.5 dengan rata-rata akurasi sebesar 64,02%.Kata kunci: Bahasa Jepang, Chain Code, Confusion Matrix,Identifikasi,Learning Vector Quantization (LQV)

Actions (login required)

View Item