PENGGUNAAN CONVOLUTION NEURAL NETWORK UNTUK PENGENALAN TULISAN TANGAN : ANALISIS PERFORMA DAN AKURASI

Daniswara, Muhammad Rafli (2024) PENGGUNAAN CONVOLUTION NEURAL NETWORK UNTUK PENGENALAN TULISAN TANGAN : ANALISIS PERFORMA DAN AKURASI. Bachelor thesis, Universitas Nasional.

	Text Cover.pdf Download (743kB)
	Text BAB I.pdf Download (148kB)
	Text BAB II1.pdf Download (386kB)
	Text BAB III1.pdf Download (265kB)
	Text BAB IV1.pdf Download (596kB)
	Text BAB V.pdf Download (130kB)
	Text LAMPIRAN.pdf Download (213kB)

Abstract

Pengenalan tulisan tangan merupakan tantangan signifikan dalam pengolahan citra digital yang terus berkembang seiring dengan kemajuan teknologi komputasi. Setiap orang memiliki gaya tulisan yang unik, yang membuat proses pengenalan tulisan tangan menjadi tugas yang kompleks. Convolutional Neural Network (CNN) adalah salah satu algoritma deep learning yang sangat efektif dalam memproses data dua dimensi, seperti gambar dan citra, serta telah banyak diterapkan dalam pengenalan pola, termasuk pengenalan tulisan tangan. Namun, performa dan akurasi sistem pengenalan tulisan tangan sangat dipengaruhi oleh kualitas citra dan teknik ekstraksi fitur yang diterapkan. Penelitian ini bertujuan untuk mengevaluasi kinerja dan akurasi sistem pengenalan tulisan tangan menggunakan algoritma CNN. Penelitian ini difokuskan pada dampak kualitas citra terhadap performa sistem serta pengembangan metode ekstraksi fitur yang dapat lebih tepat merepresentasikan karakteristik unik setiap huruf. Dari penelitian ini, diharapkan dapat dihasilkan pendekatan yang lebih efektif untuk pengenalan tulisan tangan dengan memanfaatkan CNN, yang pada akhirnya akan meningkatkan akurasi dan efisiensi dalam aplikasi praktis.

Item Type:	Thesis (Bachelor)
Subjects:	H Social Sciences > HB Economic Theory T Technology > T Technology (General)
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika
Depositing User:	Delvy Aplirizani -
Date Deposited:	02 Oct 2024 02:32
Last Modified:	02 Oct 2024 02:47
URI:	http://repository.unas.ac.id/id/eprint/12218

Actions (login required)

View Item