@phdthesis{katalog702,
            year = {2018},
          author = {YOHANES DWI RAHARJO 71130112},
           month = {November},
           title = {PEMANFAATAN METODE INVARIANT MOMENT DAN  K-NEAREST NEIGHBOR UNTUK PENGENALAN  AKSARA JAWA NGLEGENA},
          school = {Univeristas Kristen Duta Wacana},
             url = {https://katalog.ukdw.ac.id/702/},
        abstract = {Aksara Jawa adalah salah satu aksara tradisional di Indonesia. Seiring pekembangan jaman Aksara Jawa semakin dilupakan. Di masyarakatpun Aksara Jawa hanya diajarkan di sekolah dasar sampai menengah. Aksara jawa terdiri dari 20 huruf dasar atau disebut sebagai Aksara Jawa Nglegena Pada masa kini banyak orang yang sulit untuk mengenali AksaraJawa karena banyaknya karakter pada aksara Jawa. Salah satu cara agar aksaraJawa dapat dikenali dengan lebih mudah adalah dengan membuat sebuah sistemmenggunakan bantuan teknik pengenalan pola.
Pada penelitian ini penulis menggunakan metode ekstraksi ciri Invariant Moment dan klasifikasi K-Nearest Neighbors sebagai metode untuk mengenali aksara Jawa Nglegena. Data yang digunakan berupa 3 jenis font dan 6 tulisan tangan yang didapat dari 6 orang yang berbeda. Penulis menggunakan 4 skenario pengujian dengan menggunakan data latih yang sama, namun melakukan rotasi pada data uji masing-masing 10o dan -15o pada pengujian kedua dan mirror horizontal pada pengujian ketiga sedangkan untuk pengujian ke-empat digunakan data uji yang belum pernah dilatihkan sebelumnya. Berdasarkan 4 skenario pengujian yang sudah dilakukan, pengujian I yang menggunakan data latih sebagai data uji tanpa mengalami perubahan dan data uji yang dimirror horizontal r mendapatkan rata-rata akurasi tertinggi yaitu 100\%. Kemudian hasil uji data yang dirotasi menggunakan font pringgandani dikenali dengan baik sehingga mendapatkan rata?rata akurasi mencapai 94.16\%. Kesimpulan yang didapat dari hasil pengujian tersebut adalah sistem yang mengimplementasikan metode Invariant Moment dan k-Nearest Neighborss mampu mengenali aksara Jawa dengan baik pada data yang telah dilatihkan.}
}