IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORKS (CNN) UNTUK PENGENALAN TULISAN TANGAN HURUF UTAMA DENGAN ANAK HURUF AKSARA LAMPUNG

Wulan Dari Aritonang , - (2025) IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORKS (CNN) UNTUK PENGENALAN TULISAN TANGAN HURUF UTAMA DENGAN ANAK HURUF AKSARA LAMPUNG. FAKULTAS TEKNIK, UNIVERSTAS LAMPUNG.

Preview	File PDF ABSTRAK_Wulan Dari Aritonang.pdf Download (250Kb) | Preview
	File PDF SKRIPSI TANPA L_Wulan Dari Aritonang.pdf Restricted to Hanya staf Download (2300Kb) | Minta salinan
Preview	File PDF SKRIPSI TANPA 4 &L_Wulan Dari Aritonang.pdf Download (2282Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Aksara Lampung merupakan salah satu warisan budaya Indonesia yang memiliki keunikan dalam struktur huruf utama dan anak hurufnya. Namun, upaya pelestarian aksara ini masih menghadapi tantangan, khususnya dalam hal pengenalan tulisan tangan salah satunya akibat variasi bentuk dan gaya penulisan. Penelitian ini bertujuan untuk mengembangkan sistem pengenalan tulisan tangan huruf utama dan anak huruf aksara Lampung menggunakan metode Convolutional Neural Network (CNN). Proses dimulai dengan pengumpulan data dari 60 responden yang dibagi menjadi data set latih dan data set uji, dilanjutkan dengan tahapan preprocessing meliputi binerisasi, slicing, inverting, cropping, dan resizing terhadap citra aksara. Arsitektur CNN yang digunakan terdiri dari lima lapisan konvolusi untuk mengekstraksi fitur, diikuti oleh lapisan fully connected untuk klasifikasi. Evaluasi kinerja dilakukan berdasarkan akurasi dan confusion matrix terhadap dataset uji. Hasil pengujian menunjukkan bahwa model CNN mampu mengenali dan mengklasifikasikan aksara Lampung dengan akurasi model meningkat seiring bertambahnya jumlah data latih dan jumlah epoch. Pada pengujian dengan 10 set data latih dan 10 set data uji, akurasi berkisar antara 99,570% hingga 99,831% untuk epoch 20–100. Sementara itu, pada pengujian dengan 50 set data latih dan 10 set data uji, akurasi meningkat dari 99,933% pada epoch 20 hingga mencapai akurasi tertinggi 99,996% pada epoch 80. Penelitian ini diharapkan dapat mendukung pelestarian budaya lokal melalui penerapan teknologi pengenalan aksara digital. Kata kunci: Aksara Lampung, Convolutional Neural Network (CNN), pengenalan tulisan tangan, pelestarian budaya, digitalisasi aksara. Lampung script is one of Indonesia’s cultural heritages, distinguished by its unique structure comprising main characters and auxiliary marks. However, efforts to preserve this script still face challenges, particularly in the recognition of handwritten characters due to variations in form and writing style. This study aims to develop a handwriting recognition system for Lampung script covering both main and auxiliary characters—using the Convolutional Neural Network (CNN) method. The process began with data collection from 60 respondents, which were divided into training and testing datasets, followed by preprocessing steps including binarization, slicing, inverting, cropping, and resizing of character images. The CNN architecture employed consists of five convolutional layers for feature extraction, followed by fully connected layers for classification. The model’s performance was evaluated based on accuracy and confusion matrix analysis using the test dataset. The results indicate that the CNN model is capable of accurately recognizing and classifying Lampung characters, with model accuracy improving as the size of the training data and the number of epochs increase. In the test using 10 training sets and 10 test sets, the model achieved accuracies ranging from 99.570% to 99.831% for 20 to 100 epochs. Meanwhile, with 50 training sets and 10 test sets, the accuracy increased from 99.933% at epoch 20 to a peak of 99.996% at epoch 80, demonstrating robustness against handwriting variation. This study is expected to contribute to the preservation of local culture through the application of digital script recognition technology. Keywords: Lampung script, Convolutional Neural Network (CNN), handwriting recognition, cultural heritage, script digitization.

Jenis Karya Akhir:	Skripsi
Subyek:	600 Teknologi (ilmu terapan) > 607 Pendidikan, riset, topik terkait 600 Teknologi (ilmu terapan) > 620 Ilmu teknik dan ilmu yang berkaitan
Program Studi:	FAKULTAS TEKNIK (FT) > Prodi S1-Teknik Elektro
Pengguna Deposit:	UPT . Ery Elyasari
Date Deposited:	09 Dec 2025 03:10
Terakhir diubah:	09 Dec 2025 03:10
URI:	http://digilib.unila.ac.id/id/eprint/94023

Actions (login required)

Lihat Karya Akhir