UMMI ‘URFAA (2018) PENGENALAN HURUF HIJAIYAH MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS(PCA) DAN BACKPROPAGATION. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.
|
Text
1. COVER_2018472TIF.pdf Download (343kB) | Preview |
|
|
Text
2. PENGESAHAN_2018472TIF.pdf Download (475kB) | Preview |
|
|
Text
3. ABSTRAK_2018472TIF.pdf Download (304kB) | Preview |
|
|
Text
4. KATA PENGANTAR_2018472TIF.pdf Download (632kB) | Preview |
|
|
Text
5. DAFTAR ISI_2018472TIF.pdf Download (414kB) | Preview |
|
|
Text
6. BAB I_2018472TIF.pdf Download (666kB) | Preview |
|
|
Text
7. BAB II_2018472TIF.pdf Download (960kB) | Preview |
|
|
Text
8. BAB III_2018472TIF.pdf Download (560kB) | Preview |
|
|
Text
9. BAB IV_2018472TIF.pdf Download (765kB) | Preview |
|
![[img]](http://repository.uin-suska.ac.id/style/images/fileicons/text.png) |
Text
10. BAB V_2018472TIF.pdf Restricted to Repository staff only Download (778kB) |
|
|
Text
11. BAB VI_2018472TIF.pdf Download (342kB) | Preview |
|
|
Text
12. DAFTAR PUSTAKA_2018472TIF.pdf Download (431kB) | Preview |
Abstract
Pengenalan karakter merupakan konversi dari tulisan tangan ke dalam bentuk file citra yang dapat diubah. Sekarang ini pengenalan karakter sudah banyak diterapkan pada berbagai karakteristik tulisan tangan, termasuk pada karakter huruf Hijaiyah. Huruf Hijaiyah atau huruf Arab merupakan huruf yang digunakan oleh orang-orang Muslim di seluruh penjuru dunia untuk membaca Al-Quran. Jumlah Huruf Hijaiyah yang umumnya diketahui berjumlah 28 huruf. Beberapa algoritma telah banyak digunakan untuk proses pengenalan karakter huruf, namun pada penelitian ini diterapkan algoritma PrincipalComponent Analysis dan Backpropogation Neural Network untuk melakukan klasifikasi pengenalan pola huruf hijaiyah tunggal tulisan tangan. Hasil pengujian aplikasi yang dilakukan dengan jumlah neuron pada 1 input layer 28 neuron, 2 hidden layer masing-masing 55 neuron, 1 output layer 28 neuron, nilai maksimum epoch 100.000, target error 0.0001, jumlah data latih 364, jumlah data uji 56 dan nilai learning rate 0.1 menghasilkan nilai akurasi sebesar 98.21% dan target error sebesar 1.79%, sedangkan pengujian yang dilakukan dengan learning rate 0.01 menghasilkan akurasi sebesar 50% dan target error 50%. Kesimpulannya metode Principal Component Analysis(PCA) dapat dijadikan sebagai alternatif untuk tingkat kecepatan dan keakuratan dari pelatihan Backpropogation Neural Network. KataKunci: Backpropogation Neural Network, Huruf Hijaiyah, PrincipalComponent Analysis dan Pengenalan Karakter
| Item Type: | Thesis (Skripsi) |
|---|---|
| Subjects: | 300 Ilmu Sosial |
| Divisions: | Fakultas Sains dan Teknologi > Teknik Informatika |
| Depositing User: | Ms. Nilam Badriyah |
| Date Deposited: | 29 Jul 2019 03:31 |
| Last Modified: | 29 Jul 2019 03:31 |
| URI: | http://repository.uin-suska.ac.id/id/eprint/16887 |
Actions (login required)
 |
View Item |