ABSTRAK
Hiragana merupakan salah satu jenis huruf dasar yang digunakan dalam bahasa Jepang. Hiragana merupakan simbol fonetik, setiap hurufnya mewakili satu penyebutan suku kata. Huruf hiragana terbentuk dari garisan dan coretan yang melengkung. Dalam hal ini membuat pendeteksian huruf hiragana menyebabkan banyak terjadi kesalahan karena manusia masih mengandalkan indra pengelihatan untuk mendeteksi huruf hiragana tersebut. Terutama untuk orang yang pertama kali mengenal tulisan huruf hiragana, akan kesulitan dan tidak terlalu jelas untuk membaca huruf tersebut. Oleh sebab itu, metode Convolutional Neural Network (CNN) akan digunakan untuk mendeteksi huruf hiragana yang dituliskan tangan dan membantu manusia yang pertama kali mengenal tulisan huruf hiragana ketika hurufnya sudah terlalu susah untuk dideteksi oleh mata manusia. Penelitian Tugas Akhir ini menggunakan model YOLOv8 sebagai algoritma pendeteksi huruf hiragana yang dituliskan tangan. Model YOLOv8 adalah salah satu model algoritma baru dari model YOLO dan banyak digunakan karena memiliki keunggulan yaitu kecepatan dalam aplikasi real-time dan akurasi yang lebih tinggi dari model sebelumnya. Huruf hiragana yang dideteksi merupakan huruf dasar berjumlah 46 karakter. Penelitian ini menggunakan model YOLOv8 yang dijalankan pada Google Colaboratory dengan library Ultralytics versi 8.0.20 menggunakan bahasa pemprograman Python, dataset yang digunakan adalah dataset yang dikumpulkan dari internet yang dianotasikan menggunakan framework Roboflow. Dari hasil pengujian didapatkan model yang terbaik adalah YOLOv8l menggunakan optimizer SGD dan learning rate 0.01 dengan nilai precision sebesar 98.5%, nilai recall sebesar 95,7%, nilai f1-score sebesar 97.1% dan nilai mAP sebesar 95.5%.
Kata Kunci: Huruf Hiragana, YOLOv8, Convolutional Neural Network (CNN), Python. mAP, Recall, F1score, precission