Abstract :
Pengenalan tulisan tangan merupakan salah satu bentuk pengenalan pola yang
solusinya masih dapat dikembangkan. Kompleksitas bentuk huruf dan gaya
penulisan yang berbeda dari setiap individu menjadi salah satu penyebab yang
mempengaruhi proses tersebut. Convolutional Neural Network (CNN) merupakan
salah satu metode deep learning yang memiliki hasil paling signifikan dalam
pengenalan citra. Beberapa penelitian yang berhasil dilakukan menunjukkan jika
CNN mendapatkan akurasi yang tinggi sebagai metode untuk pengenalan pola
tulisan tangan. Oleh sebab itu penelitian ini akan menggunakan CNN dengan
arsitektur LeNet5 sebagai arsitektur yang berfokus pada pengenalan karakter huruf
dan angka. Data yang digunakan adalah EMNIST Dataset dengan label Letters
sebanyak 70600 data training, 17600 data validation dan 14800 data testing. Hasil
yang didapat dari penelitian ini yaitu CNN meraih akurasi sebesar 97.29% pada
training, 94.16% pada validation, dan 90.52% pada testing. Sedangkan nilai
lossnya adalah 0,0723 pada training, 0.2064 pada validation, dan 0.3520 pada
testing. Selanjutnya penelitian ini melakukan tuning hyperparameter untuk mencari
model terbaik yang dapat meningkatkan performa CNN, hasilnya menunjukkan
bahwa penggunaan algoritma optimasi serta penambahan jumlah epoch dapat
meningkatkan akurasi sampai 99% dan nilai loss sampai 0.01.
Kata Kunci :Convolutional Neural Network, EMNIST, LeNet5, Pengenalan
Pola, Tulisan Tangan, Tuning Hyperparameter