ANALISA PERFORMA CONVOLUTIONAL NEURAL
NETWORK UNTUK PENGENALAN POLA TULISAN
TANGAN AKSARA LATIN
Total View This Week0
Total View This Week0
Institusion
Universitas Siliwangi
Author
Zulaeha, Rai Riezky
Subject
T Technology (General)
Datestamp
2023-08-03 04:22:35
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
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
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
