ANALISA PERFORMA CONVOLUTIONAL NEURAL NETWORK UNTUK PENGENALAN POLA TULISAN TANGAN AKSARA LATIN

Zulaeha, Rai Riezky (2023) ANALISA PERFORMA CONVOLUTIONAL NEURAL NETWORK UNTUK PENGENALAN POLA TULISAN TANGAN AKSARA LATIN. Sarjana thesis, Universitas Siliwangi.

	Text 1 - Cover.pdf Download (189kB)
	Text 2 - Lembar Pengesahan.pdf Download (821kB)
	Text 3 - Lembar Keaslian.pdf Download (249kB)
	Text 4 - Abtsrak (Abstract).pdf Download (62kB)
	Text 5 - Kata Pengantar.pdf Download (109kB)
	Text 6 - Daftar Isi, Daftar Gambar, Source Code, Lampiran.pdf Download (88kB)
	Text 7 - BAB I.pdf Download (142kB)
	Text 8 - BAB II.pdf Download (551kB)
	Text 9 - BAB III.pdf Download (388kB)
	Text 10 - BAB IV.pdf Restricted to Repository staff only Download (458kB)
	Text 11 - BAB V.pdf Restricted to Repository staff only Download (64kB)
	Text 12 - Daftar Pustaka.pdf Download (192kB)
	Text 13 - Lampiran.pdf Restricted to Repository staff only Download (3MB)

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

Actions (login required)

View Item