IMPLEMENTASI DAN ANALISIS CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR RESNET DAN VARIANNYA UNTUK KLASIFIKASI AKSARA LONTARA TULISAN TANGAN
| Main Author: | Dewanty, Nisrina Syadza |
|---|---|
| Format: | Thesis NonPeerReviewed Image Book |
| Bahasa: | ind |
| Terbitan: |
, 2020
|
| Subjects: | |
| Online Access: |
http://repository.unhas.ac.id/id/eprint/1892/ |
Daftar Isi:
- Aksara lontara adalah salah satu jenis aksara non-latin masyarakat Sulawesi Selatan dan Sulawesi Barat khususnya masyarakat Bugis, Makassar, Luwu, dan Mandar. Namun seiring berkembangnya zaman, aksara ini sudah jarang digunakan lagi oleh masyarakat. Banyak orang yang masih belum mengenali aksara lontara baik bagi warga pendatang baru, maupun turis. Selain itu, aksara lontara juga hampir tidak dikenal atau bahkan dilupakan oleh masyarakat yang asli berasal dari daerah itu sendiri. Maka dari itu, dibutuhkan sebuah program komputer yang dapat digunakan untuk membantu masyarakat dalam mengenali aksara lontara. Deep Residual Network atau ResNet adalah salah satu arsitektur dari Convolutional Neural Network yang dapat mengklasifikasikan citra dengan akurasi yang tinggi serta telah memenangkan beberapa kompetisi pada tahun 2015 dan mengalahkan arsitektur AlexNet, GoogleNet, dan VGGNet. Pada penelitian ini, peneliti menggunakan ResNet18, ResNet34, ResNet50, dan ResNet101 untuk mengklasifikasikan aksara lontara tulisan tangan dalam bentuk citra yang telah dipisahkan setiap hurufnya dan menganalisis kinerja dari masing-masing varian ResNet. Hasil dari penelitian dengan pelatihan menggunakan 10 epoch menunjukkan bahwa ResNet18 dan ResNet34 memiliki performa terbaik dengan akurasi 100%, sedangkan ResNet50 mencapai akurasi 99,73% dan ResNet101 hanya mencapai akurasi 91,71%.