PENGENALAN POLA AKSARA KA-GA-NGA MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN DENGAN MODEL LEARNING VECTOR QUANTIZATION (LVQ)
| Main Authors: | Lubis, Naimah , Edy , Hermansyah, Desy, Afrita |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2012
|
| Subjects: | |
| Online Access: |
http://repository.unib.ac.id/5764/1/SKRIPSI_NAIMAH%20LUBIS%20%28G1A007014%29_PENGENALAN%20POLA%20AKSARA%20KA%20-0.pdf http://repository.unib.ac.id/5764/ |
Daftar Isi:
- Aksara Ka-Ga-Nga merupakan aksara suku Serawai dan Rejang khususnya yang berdomisili di wilayah provinsi Bengkulu. Aksara Ka-Ga-Nga memiliki 28 karakter, masing-masing karakter memiliki tanda baca (sandangan). Karakter Ka-Ga-Nga memiliki tingkat kerumitan yang cukup kompleks bila dibandingkan dengan aksara Latin. Masing- masing karakter memiliki pola yang mirip antara satu dengan yang lainnya, hanya dapat dibedakan dengan garis. Hal ini menyebabkan proses pengenalan pola Ka-Ga-Nga memiliki tingkat kesulitan yang cukup tinggi. Selain akan mengenali karakter Ka-Ga-Nga hasil tulisan tangan, juga akan dilakukan pengenalan karakter pada naskah kuno beraksara Ka-Ga-Nga. Naskah kuno yang akan diuji memiliki tingkat kerusakan yang tinggi yakni memiliki banyak noise. Oleh karena itu dibutuhkan pengolahan citra yang kompleks agar karakter pada naskah dapat dikenali. Selain itu, untuk membangun suatu sistem pengenalan pola yang baik tidak dapat dilakukan tanpa menyelesaikan dahulu masalah segmentasi (pemisahan antar karakter dalam satu tulisan). Dalam penelitian ini, metode segmentasi yang digunakan merupakan kombinasi beberapa operasi morphologi. Dengan menggunakan metode ini didapatkan hasil segmentasi citra yang baik untuk tulisan dengan jarak antar karakter tidak terlalu dekat. Untuk tahap pengklasifikasian karakter akan digunakan metode Learning Vector Quantization (LVQ). Metode ini dapat menghasilkan sistem pengenalan pola dengan tingkat akurasi yang baik untuk citra karakter Ka-Ga-Nga hasil tulisan tangan dengan mengkombinasikan nilai maksimum epoch yang besar dan nilai learning rate yang mendekati nol.