OPTIMASI ALGORITMA CONVOLUTIONAL NEURAL NETWORK UNTUK MENGKLASIFIKASIKAN ANGKA PADA TULISAN TANGAN

SEPTIANI, DINDA (2024) OPTIMASI ALGORITMA CONVOLUTIONAL NEURAL NETWORK UNTUK MENGKLASIFIKASIKAN ANGKA PADA TULISAN TANGAN. Diploma thesis, Politeknik Negeri Sriwijaya.

Preview	Text Cover.pdf Download (591kB) | Preview
	Text (BAB I PENDAHULUAN) BAB 1.pdf Restricted to Repository staff only Download (131kB) | Request a copy
	Text (BAB II TINJAUAN PUSTAKA) BAB 2.pdf Restricted to Repository staff only Download (541kB) | Request a copy
	Text (BAB III METODE PENELITIAN) BAB 3.pdf Restricted to Repository staff only Download (268kB) | Request a copy
	Text (BAB IV HASIL DAN PEMBAHASAN) BAB 4.pdf Restricted to Repository staff only Download (716kB) | Request a copy
	Text (BAB V KESIMPULAN DAN SARAN) BAB 5.pdf Restricted to Repository staff only Download (14kB) | Request a copy
	Text DAFTAR PUSTAKA.pdf Restricted to Repository staff only Download (94kB) | Request a copy

Abstract

Perkembangan teknologi informasi dan kecerdasan buatan membuka peluang baru dalam pengolahan citra, termasuk pengenalan angka tulisan tangan. Pengenalan dan interpretasi angka tulisan tangan sangat penting dalam berbagai aplikasi modern. Salah satu metode yang efektif untuk pengenalan angka tulisan tangan adalah Convolutional Neural Network (CNN). Penelitian ini bertujuan untuk mengoptimalkan kinerja Convolutional Neural Network (CNN) dalam mengklasifikasi angka tulisan tangan. Melalui eksperimen dengan variasi jumlah lapisan CNN pada dataset MNIST, ditemukan bahwa model dengan 4 lapisan konvolusi mencapai akurasi tertinggi sebesar 92,41% dengan peningkatan akurasi yang signifikan dari setiap penambahan lapisan, terutama antara lapisan 1 ke 2 (18,36%) dan lapisan 2 ke 3 (21,26%). Confusion matrix mengonfirmasi bahwa model ini memiliki precision, recall, dan f1-score yang tinggi untuk semua digit, membuktikan keefektifannya dalam klasifikasi angka. Hasil ini menunjukkan bahwa penambahan lapisan secara signifikan meningkatkan kemampuan model dalam mengekstraksi fitur-fitur penting dari gambar. Model terbaik kemudian diimplementasikan ke dalam aplikasi web untuk memudahkan pengguna dalam mengenali angka tulisan tangan, dan disimpan dalam format h5 untuk implementasi lebih lanjut. Penelitian ini berkontribusi pada pengembangan sistem pengenalan karakter otomatis dan membuka peluang aplikasi di berbagai bidang.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	pengenalan karakter tulisan tangan, Convolutional Neural Network, deep learning, optimasi model.
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Electrical Engineering > Undergraduate Theses
Depositing User:	Mr Bambang Anthony
Date Deposited:	22 Jul 2026 02:31
Last Modified:	22 Jul 2026 02:31
URI:	http://eprints.polsri.ac.id/id/eprint/22299

Actions (login required)

View Item