Implementasi Convolutional Neural Network Pada Pengenalan Tulisan Tangan

Convolutional Neural Network (CNN) merupakan metode yang memanfaatkan fitur konvolusi dalam mengekstraksi ciri pada citra. Pada penelitian sebelumnya telah dilakukan Intelligence Character Recognition (ICR) menggunakan CNN dengan tingkat akurasi mencapai 97,6% pada Arabic Handwritten Character Dataset. Pada penelitian lainnya CNN dikatakan unggul dalam kasus pengenalan menggunakan data citra. Dari jejak penelitian tersebut, fokus utama dari penelitian ini adalah mengukur kemampuan CNN pada kasus ICR alfabet Inggris dengan data berasal dari National Institute of Standards and Technology (NIST) sebanyak 15,872 data latih dan 3,100 data uji dengan kelas karakter meliputi A-Z, a-z, dan 0-9. Sebelum tahap pelatihan dan pengujian CNN, dilakukan preprocessing yang terdiri dari grayscaling, smoothing, thresholding, segmentasi, dan scaling. Tahap feedforward CNN terdiri dari layer ekstraksi dan layer klasifikasi. Setelah feedforward, dilakukan perbaikan bobot dan bias ketika pelatihan menggunakan backpropagation sehingga dapat digunakan untuk pengujian. Adapun parameter uji yang digunakan dalam penelitian ini adalah nilai learning rate yang berbeda – beda untuk mengetahui akurasi dari setiap kondisi. Pada tahap pengujian diperoleh akurasi tertinggi mencapai 72.48%.