CONVOLUTIONAL RECURRENT NEURAL NETWORK DENGAN ATTENTION UNTUK PENGENALAN TULISAN TANGAN MANUSKRIP DAUN LONTAR SUNDA KUNO

Sulaiman, Adi (2021) CONVOLUTIONAL RECURRENT NEURAL NETWORK DENGAN ATTENTION UNTUK PENGENALAN TULISAN TANGAN MANUSKRIP DAUN LONTAR SUNDA KUNO. Sarjana thesis, Universitas Siliwangi.

[img] Text
01. Cover.pdf
Download (71kB)
[img] Text
06. Abstrak.pdf
Download (6kB)
[img] Text
02. Lembar Pengesahan TA.pdf
Download (5kB)
[img] Text
09. Daftar Isi.pdf
Download (1MB)
[img] Text
BAB I.pdf
Download (210kB)
[img] Text
BAB II.pdf
Download (1MB)
[img] Text
BAB III.pdf
Download (176kB)
[img] Text
BAB IV.pdf
Restricted to Repository staff only
Download (1MB)
[img] Text
BAB V.pdf
Restricted to Repository staff only
Download (6kB)
[img] Text
Daftar Pustaka.pdf
Download (204kB)

Abstract

ABSTRAK Pengenalan tulisan tangan pada manuskrip kuno merupakan salah satu topik yang menantang di kalangan peneliti karena beberapa faktor seperti naskah yang rusak, goresan garis yang terpotong dan pudar. Beberapa model telah diajukan untuk pengenalan manuskrip kuno seperti salah satu tipe Recurrent Neural Network (RNN) berupa Bidirectional Long Short-Term Memory (BLSTM) dengan pencapaian word error rate (WER) sebesar 75.52% untuk manuskrip lontar Sunda, namun angka tersebut masih bisa dikatakan cukup tinggi karena tidak menggunakan fitur ekstraksi gambar yang lebih baik. Penggunaan Convolutional Neural Network (CNN) sebagai fitur ekstraksi serta RNN sebagai classifier yang disebut CRNN, mampu mencapai akurasi tinggi dalam beberapa tugas pengenalan tulisan tangan offline. Penggunaan Attention dengan LSTM terbukti dapat meningkatkan akurasi dalam tugas translasi data sequence dengan hasil yang lebih baik. Berdasarkan kekurangan dalam pengenalan manuskrip kuno lontar Sunda, diajukan model CRNN Attention dengan mengambil masingmasing kelebihan dari CRNN dan Attention untuk menurunkan WER. Model yang diajukan berhasil mendapatkan WER sebesar 37.23% yang membuktikan penggunaan fitur ekstraksi CNN serta Attention dapat menurunkan WER. kata kunci: Attention, CRNN, Manuskrip, WER.

Item Type: Thesis (Sarjana)
Subjects: T Technology > TA Engineering (General). Civil engineering (General)
Divisions: Fakultas Teknik > Informatika
Depositing User: Dedi Natawijaya .
Date Deposited: 24 Jun 2022 06:53
Last Modified: 24 Jun 2022 06:53
URI: http://repositori.unsil.ac.id/id/eprint/6096

Actions (login required)

View Item View Item