Fahmi Rahmat Azis, - (2019) PENERAPAN PRINCIPAL COMPONENT ANALYSIS (PCA)DAN LEARNING VECTOR QUANTIZATION 3 (LVQ 3) UNTUK PENGENALAN POLA HURUF HIRAGANA JEPANG. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.

Preview	Text 01 Cover.pdf Download (292kB) | Preview
Preview	Text 02 LEMBAR PENGESAHAN.pdf Download (375kB) | Preview
Preview	Text (abtsrak) 03 Abstrak Indo-Eng.pdf - Published Version Download (3MB) | Preview
Preview	Text 04 Kata Pengantar.pdf Download (3MB) | Preview
Preview	Text 05 Daftar Isi - Daftar Simbol.pdf Download (3MB) | Preview
Preview	Text 06 BAB I.pdf Download (2MB) | Preview
Preview	Text 07 BAB II.pdf Download (3MB) | Preview
Preview	Text 08 BAB III.pdf Download (3MB) | Preview
Preview	Text 09 BAB IV.pdf Download (3MB) | Preview
	Text (BAB V) 10 BAB V.pdf - Published Version Restricted to Repository staff only Download (3MB)
Preview	Text 11 BAB VI.pdf Download (2MB) | Preview
Preview	Text 12 Daftar Pustaka.pdf Download (3MB) | Preview

Abstract

Bahasa terdiri dari bentuk lisan dan tulisan. Memahami bahasa dalam bentuk tulisan, terlebih dahulu harus memahami hurufnya, begitu juga dengan bahasa Jepang. Huruf dalam bahasa Jepang terkelompok dalam tiga jenis, salah satunya yaitu huruf hiragana. Huruf hiragana biasanya digunakan untuk menulis kata-kata Jepang yang murni atau asli. Salah satu yang menjadi kesulitan dalam mempelajari bahasa Jepang terdapat pada sistem penulisannya. Huruf Jepang yang kompleks dan sangat berbeda dengan huruf latin serta pelafalannya yang berbeda, sehingga cukup sulit untuk mempelajari dan menghafal hurufnya. Pada penelitian ini pengenalan pola huruf hiragana menggunakan metode Principal Component Analysis (PCA) sebagai ekstraksi ciri dan jaringan syaraf tiruan Learning Vector Quantization 3 (LVQ 3). Citra yang diuji merupakan pola huruf hiragana. Citra tersebut diuji dengan cara 5 macam pengujian, yaitu pengujian nilai reduksi matriks (n), Learning rate (α), ω, nilai second learning rate (ε), pembagian data, dan banyak vektor pewakil yang digunakan. Berdasarkan dari hasil pengujian didapatkan akurasi tertinggi sebesar 100% dengan menggunakan parameter nilai reduksi matriks n= 70 dan 90, α= 0.1,0.3,0.5, ω= 0.1,0.2,0.3, ε= 0.2,0.3,0.4, pembagian data 90%:10%, 80%:20%,70:30%, dan jumlah vektor pewakil yang digunakan sebanyak 92 vektor. Kata Kunci: Hiragana, Learning Vector Quantization 3, LVQ3, PCA, Pola huruf, Principal Component Analysis

Actions (login required)

View Item