Murti, Ida Bagus Teguh Teja (2021) Perbandingan Klasifikasi Modified Quadratic Discriminant Function (MQDF) dan Discriminative Learning Quadratic Discriminant Function (DLQDF) Pada Isolated Character Aksara Bali. Masters thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
1729101066-COVER.pdf Download (247kB) |
|
Text (ABSTRAK)
1729101066-ABSTRAK.pdf Download (119kB) |
|
Text (BAB 1 PENDAHULUAN)
1729101066-BAB 1 PENDAHULUAN.pdf Download (198kB) |
|
Text (BAB 2 KAJIAN TEORI)
1729101066-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (812kB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
1729101066-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (203kB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
1729101066-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (179kB) | Request a copy |
|
Text (BAB 5 PENUTUP)
1729101066-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (133kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
1729101066-DAFTAR PUSTAKA.pdf Download (95kB) |
|
Text (LAMPIRAN)
1729101066-LAMPIRAN.pdf Download (1kB) |
Abstract
Lontar Bali adalah salah satu warisan budaya yang berharga karena menyimpan berbagai informasi masyarakat Bali. Para peneliti yang melakukan digitalisasi lontar untuk mendapatkan informasi tersebut mengalami beberapa tantangan. Salah satu tantangan mengenali aksara Bali tersendiri (isolated character) pada lontar yang telah dibuat set data AMADI_LontarSet. Beberapa penelitian terkait isolated character yaitu riset menggunakan berbagai macam ekstraksi fitur dengan klasifikasi k-NN yang mencapai akurasi 85,15%. Ekstraksi fitur ini berupa Histogram of Gradient (HoG), Neighborhood Pixels Weights dan Kirsch Directional Edges (NPWK), Zoning serta gabungan 3 ekstraksi dengan panjang fitur masing-masing: 1984, 400, 204 dan 2588. Selain itu penelitian isolated character melalui kompetisi ICFHR 2016 mengusulkan metode VMQDF yang menambahkan jumlah citra input, melakukan Gradient Feature dan klasifikasi MQDF mencapai akurasi 88,39%. Berdasarkan penelitian sebelum sehingga penelitian ini membandingkan klasifikasi MQDF dan pengembangan MQDF yaitu DLQDF dengan penggunaan ekstraksi fitur. Selain membandingkan, penelitian mengusulkan menggunakan seleksi fitur ANOVA yang hanya membutuhkan jumlah fitur. Seleksi fitur pada penelitian ini bertujuan mencegah kelebihan memori akibat besarnya jumlah fitur untuk proses klasifikasi sehingga digunakan panjang fitur 204 dan 400. Alur proses penelitian yaitu pengumpulan data latih berupa ekstraksi fitur, proses seleksi fitur, membuat kelas label yang berisi rata-rata, eigenvalue, eigenvector dan melatih akurasi data latih pada klasifikasi MQDF dan DLQDF berdasarkan ekstraksi fitur, panjang seleksi fitur, panjang vektor (k) berdasarkan persentase panjang seleksi fitur. Melalui pelatihan akurasi DLQDF dibutuhkan penyesuaian hyper-parameter dengan α = 0.2, learning rate = 0.1, ξ = 10^-16 hingga mencapai akurasi training maksimal. Setelah hasil pengujian dilakukan maka dapat dibandingkan akurasi DLQDF lebih baik dibandingkan MQDF. Hasil akurasi DLQDF dengan data uji mencapai akurasi hingga 100% dengan ekstraksi fitur HoG, seleksi fitur 204, k=20
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | QDA, MQDF, DLQDF, aksara Bali, Pengenalan Pola |
| Subjects: | H Social Sciences > HA Statistics Q Science > QA Mathematics > QA75 Electronic computers. Computer science |
| Divisions: | Pascasarjana > Program Studi Ilmu Komputer (S2) |
| Depositing User: | Ida Bagus Teguh Teja Murti |
| Date Deposited: | 26 Jul 2021 11:29 |
| Last Modified: | 26 Jul 2021 11:29 |
| URI: | http://repo.undiksha.ac.id/id/eprint/7073 |
Actions (login required)
 |
View Item |