IDENTIFIKASI TULISAN TANGAN DENGAN FEATURE EXTRACTION MENGGUNAKAN ASPECT UNITED MOMENT INVARIANT DAN HYPERSAUSAGE NEURON NETWORK

ABIDIN, ALI ZAENAL and Samsuryadi, Samsuryadi and Rodiah, Desty (2020) IDENTIFIKASI TULISAN TANGAN DENGAN FEATURE EXTRACTION MENGGUNAKAN ASPECT UNITED MOMENT INVARIANT DAN HYPERSAUSAGE NEURON NETWORK. Undergraduate thesis, Sriwijaya University.

	Text RAMA_55201_09021381520072.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (1MB) | Request a copy
	Text RAMA_55201_09021381520072_TURNITIN.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (9MB) | Request a copy
Preview	Text RAMA_55201_09021381520072_0004027101_8802870018_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (526kB) | Preview
	Text RAMA_55201_09021381520072_0004027101_8802870018_02.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (247kB) | Request a copy
	Text RAMA_55201_09021381520072_0004027101_8802870018_03.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (533kB) | Request a copy
	Text RAMA_55201_09021381520072_0004027101_8802870018_04.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (628kB) | Request a copy
	Text RAMA_55201_09021381520072_0004027101_8802870018_05.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (36kB) | Request a copy
	Text RAMA_55201_09021381520072_0004027101_8802870018_06.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (9kB) | Request a copy
	Text RAMA_55201_09021381520072_0004027101_8802870018_07_ref.pdf - Bibliography Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (75kB) | Request a copy
	Text RAMA_55201_09021381520072_0004027101_8802870018_08_lamp.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (147kB) | Request a copy

Abstract

Pengidentifikasian tulisan tangan pada aplikasi pengenalan pola merupakan hal yang sangat umum. Penelitian ini berfokus pada pengembangan sistem identifikasi tulisan tangan yang didasarkan pada Biomimmetic Pattern Recognition. Jenis tulisan tangan yang akan digunakan sebagai dataset untuk penelitian ini adalah Tulisan Tangan Mahasiswa di Fakultas Ilmu Komputer UNSRI. Perhatian utama adalah bagaimana mendapatkan akurasi identifikasi tertinggi menggunakan kombinasi AUMI dan HSNN. Fitur data akan diekstraksi menggunakan Aspect United Moment Invariant (AUMI) dan kemudian diklasifikasikan dengan Hypersasuage Neuron Network (HSNN). Hasil dari proses pengujian yang dilakukan dalam penelitian ini diperoleh nilai akurasi dibawah 10%. Dari nilai akurasi yang diperoleh dapat disimpulkan bahwa penggunaan kedua metode AUMI dan HSNN tidak dapat digunakan pada identifikasi penulis dan dibutuhkan metode ekstraksi fitur yang lebih baik agar dapat menghasilkan hasil yang lebih baik.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	Pattern Recognition, Aspect United Moment Invariant, Hypersausage Neuron Network
Subjects:	Q Science > Q Science (General) > Q300-390 Cybernetics > Q325.5 Machine learning T Technology > TA Engineering (General). Civil engineering (General) > TA1501-1820 Applied optics. Photonics > TA1632.B35 Image processing--Digital techniques. Pattern recognition systems
Divisions:	09-Faculty of Computer Science > 55201-Informatics (S1)
Depositing User:	Users 7461 not found.
Date Deposited:	18 Aug 2020 02:36
Last Modified:	18 Aug 2020 02:36
URI:	http://repository.unsri.ac.id/id/eprint/33257

Actions (login required)

View Item