KLASIFIKASI ISOLATED CHARACTER AKSARA BALI PADA CITRA LONTAR MENGGUNAKAN METODE CNN DAN SVM

Zelvia, Gusti Ayu Devani (2026) KLASIFIKASI ISOLATED CHARACTER AKSARA BALI PADA CITRA LONTAR MENGGUNAKAN METODE CNN DAN SVM. Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2215101061-COVER.pdf
Download (551kB)
[img] Text (ABSTRAK)
2215101061-ABSTRAK.pdf
Download (302kB)
[img] Text (BAB 1 PENDAHULUAN)
2215101061-BAB 1 PENDAHULUAN.pdf
Download (303kB)
[img] Text (BAB 2 KAJIAN TEORI)
2215101061-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (627kB) | Request a copy
[img] Text (BAB 3 METODELOGI PENELITIAN)
2215101061-BAB 3 METODELOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (788kB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2215101061-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (478kB) | Request a copy
[img] Text (BAB 5 PENUTUP)
2215101061-BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (281kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2215101061-DAFTAR PUSTAKA.pdf
Download (275kB)
[img] Text (LAMPIRAN)
2215101061-LAMPIRAN.pdf
Download (678kB)

Abstract

Penelitian ini mengembangkan dan membandingkan model Convolutional Neural Network (CNN) dan hybrid CNN–SVM untuk klasifikasi isolated character aksara Bali pada citra manuskrip lontar. Pelestarian aksara Bali menjadi tantangan karena semakin sedikitnya generasi muda yang mampu membacanya. Dataset yang digunakan berasal dari ICFHR 2016 Challenge 3: Isolated Character Recognition of Balinese Script in Palm Leaf Manuscript Images (AMADI_LontarSet), terdiri dari 133 kelas karakter dengan 10.540 citra latih dan 7.673 citra uji. Teknik augmentasi data diterapkan untuk memperluas variasi data latih. Model CNN kustom dilatih secara end-to-end, kemudian pada pendekatan hybrid, lapisan klasifier CNN diganti dengan Support Vector Machine (SVM). Metrik evaluasi meliputi akurasi, presisi, recall, dan F1-score. Hasil menunjukkan model CNN mandiri mencapai akurasi 92,38%, melampaui state-of-the-art sebelumnya dari tim G20 ICFHR 2018 (92,17%). Pengujian pada model CNN mendapatkan akurasi sebesar 92,38% dengan F1-Score Macro 0,8476 dan F1-Score Weighted 92,41%. Model CNN+SVM berhasil meningkatkan performa pada seluruh metrik utama, dengan akurasi menjadi 92,60% (selisih 0,22%), F1-Score Macro menjadi 0,8537 (selisih 0,61%), dan F1-Score Weighted menjadi 92,67% (selisih 0,26%), menjadikannya model terbaik pada dataset yang sama. Jumlah kelas berperforma rendah berkurang dari 16 menjadi 14 kelas setelah integrasi SVM. Temuan ini mendukung pengembangan sistem digitalisasi aksara Bali pada manuskrip lontar.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Aksara Bali, CNN, CNN-SVM, Klasifikasi, Manuskrip Lontar, SVM.
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1)
Depositing User: Gusti Ayu Devani Zelvia
Date Deposited: 23 Jul 2026 07:52
Last Modified: 23 Jul 2026 07:52
URI: http://repo.undiksha.ac.id/id/eprint/31353

Actions (login required)

View Item View Item