Perpustakaan judul masih dalam tahap pengembangan, admin siap menampung kritik dan saran
Pengenalan Pola Tulisan Tangan Bahasa Jepang Katakana Menggunakan Jaringan Syaraf Tiruan
Yoga Triargono Nugroho NIM. (2014) | Tugas Akhir | Teknik Komputer , Teknik Komputer
Bagikan
Ringkasan
Budaya Jepang sudah banyak digemari khususnya dikalangan remaja, sehingga tulisan Jepang sudah sering ditemui oleh mereka, baik itu dalam dunia kartun, komik ataupun film yang berasal dari Jepang, namun tidak banyak orang yang dapat membacanya, maka dari itu akan dibangun sebuah sistem untuk mengenali pola tulisan tangan katakana menggunakan Jaringan Syaraf Tiruan dengan bantuan software Matlab. Untuk mengenali pola ini dibutuhkan Pengolahan Citra sebagai penghubung antara proses Jaringan Syaraf Tiruan, yang dimulai dari proses grayscaling, thresholding, segmentasi citra, cropping, normalisasi, dan ekstraksi ciri, nilai keluaran dari ekstraksi ciri akan dijadikan masukan pada Jaringan Syaraf Tiruan. Selanjutnya dilakukan training pada proses Jaringan Syaraf Tiruan untuk mengenali tulisan tangan katakana. Hasil uji coba dari 36 jenis tulisan katakana menghasilkan nilai terendah terdapat dalam pengenalan adalah huruf ÃâTAÃâ sebesar 32.86% dan nilai yang terbaik dalam pengenalan adalah huruf ÃâYOÃâ sebesar 97.29%. atau rata-rata keseluruhan dari hasil pengenalan tulisan katakana sebesar 75.2%. Hal yang menyebabkan kegagalan dalam pengenalan salah satunya adalah terdapat kesamaan dalam jenis tulisan tersebut. Sehingga pengenalan huruf tersebut tertukar dengan yang lain.
Ringkasan Alternatif
Japanese culture is already known in Indonesia, especially for teenager. So Japanese language frequently encountered by them, from animation, comic, movies, or Japanese band. However not every people can read Japanese words, so in that case will build a system for recognize letters of Japanese katakana using a neural network with Matlab software. For this progress is needed an image processing from grayscaling, thresholding, edge detection, cropping and normalization, featured extraction. Output from featured extraction will be an input to neural network, subsequently conducted training on neural network to recognize a katakana letters. This system is testing 36 kinds of katakana letters, a lower percentage in recognition katakana letters is ÃâTAÃâ there is 32.86%, and the greatest percentage in recognition katakana letters is ÃâYOÃâ the percentage is 97.29%, and an average percentage from all this recognition is 75.2%, a thing that cause failed on recognition is a katakana letter have a same shape, so the recognition is swapped.