PENGENALAN TEKS DENGAN METODE CONVOLUTIONAL NEURAL NETWORK DAN RECURRENT NEURAL NETWORK

Rahman, Lalu Muhammad Afrizal (2024) PENGENALAN TEKS DENGAN METODE CONVOLUTIONAL NEURAL NETWORK DAN RECURRENT NEURAL NETWORK. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (178kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (684kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (86kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (168kB)
	Text (BAB V) BAB V.pdf Download (33kB)
	Text (DAFTAR PUSTAKA) DaftarPustaka.pdf Restricted to Registered users only Download (46kB)
	Archive (SOURCE CODE) Sourcecode - 17.11.1194.zip Restricted to Repository staff only Download (30MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (687kB)

Abstract

Teks sangat banyak kita jumpai di berbagai kehidupan kita, mulai dari teks yang ada di buku, televisi, papan reklame, bungkus makanan, ataupun teks pada lembaran-lembaran kertas lainnya. Kadang kala, kita ingin mendokumentasikan data teks tersebut ke dalam format digital agar dapat diproses lebih lanjut menggunakan komputer untuk keperluan tertentu. Proses dokumentasi tersebut memerlukan waktu yang tidak sebentar, apalagi jika jumlah teks yang akan didokumentasikan berjumlah cukup besar. Oleh karena itu, peneliti akan mengenalkan metode pengenalan teks atau OCR sebagai solusinya, yang dapat mendokumentasikan teks-teks tersebut secara otomatis. Program pengenalan teks yang peneliti hasilkan menggunakan metode Convolutional Neural Network atau disingkat CNN. Metode ini merukankan bagian dari Deep Learning atau pembelajaran mesin pada topik Artificial Intelligent atau kecerdasan buatan atau juga disingkat AI. CNN disusun dari beberapa jenis lapisan atau modul (jumlah modul yang digunakan tergantung pada penerapan CNN-nya) yaitu modul konvolusi, modul aktivasi, modul normalisasi, modul klasifikasi. CNN yang peneliti hasilkan tersusun dari modul konvolusi, modul aktivasi SiLU, modul Instance Normalization, dan modul Connectionist Temporal Classification atau CTC. Modul pelengkap lainnya adalah skip-connection dan Greedy Gecoder. Program yang dihasilkan memiliki sekitar 502.689 parameter sehingga dapat digunakan pada komputer dengan spesifikasi rendah. Program ini dapat mengekstrak karakter ASCII pada gambar dengan akurasi sekitar 70%. Walaupun belum sempurna dan masih membutuhkan manusia untuk mengoreksi sedikit kesalahan dari hasil program ini, peneliti berharap program ini dapat berguna bagi masyarakat dan juga bagi peneliti berikutnya.

Actions (login required)

View Item