IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK KLASIFIKASI TULISAN TANGAN NORMAL DAN TULISAN TANGAN DENGAN CIRI-CIRI DISLEKSIA

CHELSEA ZAOMI PONDAYU, . (2025) IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK KLASIFIKASI TULISAN TANGAN NORMAL DAN TULISAN TANGAN DENGAN CIRI-CIRI DISLEKSIA. Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

	Text COVER.pdf Download (2MB)
	Text BAB 1.pdf Download (476kB)
	Text BAB 2.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text BAB 3.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text BAB 4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text BAB 5.pdf Restricted to Registered users only Download (529kB) | Request a copy
	Text Daftar Pustaka.pdf Download (479kB)
	Text Lampiran.pdf Restricted to Registered users only Download (1MB) | Request a copy

Abstract

Disleksia merupakan gangguan belajar yang membuat pengidapnya mengalami kesulitan dalam membaca, menulis dan mengeja. Salah satu ciri disleksia yang dapat terlihat adalah tulisan tangan yang kurang baik, seperti ukuran huruf yang tidak konsisten, jarak antar kata atau huruf yang tidak teratur, dan semacamnya, sebagai akibat dari kesulitan tersebut. Adanya pola khas tersebut dapat dijadikan bahan diagnosa awal untuk mendeteksi dini potensi disleksia pada anak sekolah dasar. Proses deteksi dini disleksia dapat dilakukan dengan pendekatan Machine Learning, yang telah menjadi tren penelitian beberapa tahun terakhir, karena lebih efektif dan hemat dibanding metode konvensional. Penelitian ini menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur DenseNet yang dapat melakukan tugas klasifikasi disleksia dan non disleksia berdasarkan input dari dataset sekunder yang berisi sejumlah 100 gambar tulisan tangan yang mudah didapatkan. Proses penelitian ini melalui tahap preprocessing dengan grayscale conversion, noise reduction, binarization, augmentation, resize dan normalize, sehingga menghasilkan total 200 gambar input dengan dimensi yang seragam. Kemudian, data dibagi menjadi 70% untuk dilatih dengan K-Fold Cross Validation dan 30% untuk pengujian model. Hasil evaluasi penelitian menggunakan confusion matrix menunjukkan akurasi yang baik pada proses pengujian, yaitu 90% dan tidak berbeda signifikan dibanding hasil akurasi saat pelatihan yaitu sekitar 92,86%. Nilai akurasi model CNN juga telah melebihi metode baseline dengan akurasi 63,33%. Penelitian ini memperoleh kesimpulan bahwa model CNN DenseNet berhasil menekan potensi overfitting pada dataset kecil meski terdapat sedikit indikasi underfitting, dilihat dari nilai loss yang relatif tinggi di epoch akhir masing-masing fold, yaitu sekitar 50-70%. ***** Dyslexia is a learning disorder that causes difficulties in reading, writing, and spelling. One of the noticeable characteristics of dyslexia is poor handwriting, such as inconsistent letter sizes, irregular spacing, and other similar issues resulting from these difficulties. These distinct handwriting patterns can be used as an initial diagnostic tool to detect potential dyslexia in elementary school children. Early detection of dyslexia can be performed using a Machine Learning approach, which has become a research trend in recent years due to its effectiveness and efficiency compared to conventional methods. This study implements the Convolutional Neural Network (CNN) algorithm with a DenseNet architecture to classify dyslexic and non-dyslexic handwriting based on a secondary dataset containing 100 handwriting images, which are relatively easy to obtain. The research process includes preprocessing steps such as grayscale conversion, noise reduction, binarization, augmentation, resizing, and normalization, resulting in a total of 200 input images with uniform dimensions. The dataset is then split, with 70% used for training through K-Fold Cross Validation and 30% for model testing. The evaluation results using a confusion matrix show good testing accuracy of 90%, which is not significantly different from the training accuracy of around 92.86%. The CNN model’s accuracy also exceeds the baseline method, which only achieved 63.33%. This study concludes that the CNN DenseNet model successfully minimizes overfitting potential on a small dataset, although there are slight indications of underfitting, as reflected by relatively high loss values in the final epoch of each fold, ranging from 50% to 70%.

Item Type:	Thesis (Sarjana)
Additional Information:	1). Dr. Widodo, S.Kom., M.Kom. ; 2). Murien Nugraheni, S.T., M.Cs.
Subjects:	Sains > Matematika > Ilmu Komputer Teknologi dan Ilmu Terapan > Teknik Komputer
Divisions:	FT > S1 Pendidikan Teknik Informatika Komputer
Depositing User:	Users 28091 not found.
Date Deposited:	04 Aug 2025 03:19
Last Modified:	04 Aug 2025 03:19
URI:	http://repository.unj.ac.id/id/eprint/57531

Actions (login required)

View Item