Text

Pengenalan Citra Aksara Jawa Dengan Ektraksi Fitur Principal Component Analysis Dan Pengklasifikasi Support Vector Machine

---

ABSTRAK
Bahasa Jawa merupakan salah satu bahasa lokal di Indonesia. Penulisan tradisional dalam Bahasa Jawa disebut aksara jawa. Sebagai huruf non-latin, aksara jawa memiliki cara penulisan dan bentuk yang unik. Penelitian ini menggunakan metode principal component analysis (PCA) dan support vector machine (SVM) untuk pengenalan citra aksara jawa. Metode PCA bertindak sebagai metode ekstraksi fitur, sementara SVM sebagai pengklasifikasi. Metode SVM yang digunakan pada penelitian ini adalah kernel linier dan strategi one vs one. Data yang digunakan sebanyak 27 kelas dengan masing-masing kelas berisi 3 citra uji dan 27 citra latih. Data tersebut dibagi menggunakan k-fold cross validation kedalam 10 fold. Penelitian ini melibatkan tiga skenario, yaitu PCA-SVM, Thining-PCA-SVM, dan Zoning-PCA-SVM. Hasil penelitian menunjukkan bahwa proses pengenalan aksara jawa dari kombinasi metode PCA dan SVM menghasilkan nilai yang berbeda untuk setiap skenario. Nilai rata-rata akurasi tertinggi dari metode PCA dan SVM diperoleh pada skenario Zoning-PCA-SVM, yaitu sebesar 52,3457% dengan runtime sebesar 187,528 detik.

Kata kunci: principal component analysis, support vector machine, aksara jawa, pengenalan citra



ABSTRACT
Javanese is one of the local languages in Indonesia. Traditional writing in Javanese is called Javanese scripts. As a non-Latin letter, Javanese script has a unique font and writing method. The study was conducted to recognition Javanese script image by using principal component analysis (PCA) and support vector machine (SVM) methods. The PCA acted as a feature extraction method, while SVM acted as a classifier method. The SVM method used in the study was linear kernel and one vs one strategy. The data used were 27 classes, and each class consisted of 3 testing images and 27 training images. The data were divided by using k-fold cross validation into 10 fold. This study involved three tasks, that were PCA-SVM, Thining-PCA-SVM, and Zoning-PCA-SVM. Results showed that the Javanese script recognition process of the PCA and SVM method combination produced different values for the three skenarios. The highest accuracy average value of the PCA and SVM methods was gain from the Zoning-PCA-SVM skenario, that was 52.3457% with the runtime value 187.528 seconds.

Key words: principal component analysis, support vector machine, javanese scripts, image recognition

---

Ketersediaan

717F19II

717 F 19

Perpustakaan FSM Undip (Referensi)

Tersedia

Informasi Detail

Judul Seri

ILMU KOMPUTER/INFORMATIKA

No. Panggil

717 F 19

Penerbit

: ., 2019

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

333.75

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Anggit Gusti Nugraheni

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar