Perpustakaan judul masih dalam tahap pengembangan, admin siap menampung kritik dan saran
Pengaruh Jumlah Neuron pada Hidden Layer terhadap Akurasi Pengenalan Karakter Tulisan Tangan menggunakan Neural Network
Mutiara Citra Wordstary (2019) | Skripsi | Teknik Informatika , Teknik Komputer
Bagikan
Ringkasan
Saat ini, komputer mulai dilatih untuk dapat mengenal pola yang dimasukkan untuk mengolah data maupun dalam mengambil keputusan. Perkembangan perangkat semakin lama semakin baik, sehingga dengan adanya perangkat seperti laptop, notebook, hingga smartphone dapat membantu meringankan pekerjaan dalam segala jenis bidang. Tetapi, metode pengumpulan data dengan menggunakan tulisan tangan hingga saat ini masih digunakan, sehingga untuk mendapatkan data tersebut memerlukan sistem untuk mengenali pola tulisan tangan. Saat ini, penelitian dibidang Handwriting Recognition terus dikembangkan, terutama untuk meningkatkan akurasinya. Pada penelitian ini, dilakukan analisis mengenai pengaruh jumlah neuron pada hidden layer terhadap pengenalan karakter tulisan tangan menggunakan metode backpropagation neural network. Dengan tujuan untuk mendapatkan konfigurasi jumlah neuron pada setiap layer yang menghasilkan nilai akurasi paling baik. Penelitian ini menunjukkan bahwa konfigurasi jumlah input layer sebanyak 900 neuron, hidden layer sebanyak 475 neuron dan output layer sebanyak 62 neuron memiliki nilai akurasi paling baik, yaitu 100%. Rata-rata kenaikan nilai akurasi pada konfigurasi dengan input layer sebanyak 900 neuron adalah 5,26%, sedangkan untuk jumlah input layer dengan jumlah neuron 100 dan 400 memiliki rata-rata kenaikan sebesar 0.08%. Kata Kunci: Handwriting Character Recognition, Konfigurasi Jumlah Neuron, Backpropagation Neural Network.
Ringkasan Alternatif
Nowadays, computers are trained to be able to recognize input patterns for processing data and making decisions. Devices development are also getting better, the existence of devices such as laptops, notebooks, and smartphone can help ease work in all type of expertise. Even so, the method of collecting data by handwriting is used today, and to get that data, a system that can recognize handwriting patterns is needed. Until now, research in the field of Handwriting Recognition continues to be developed to improve its accuracy. This thesis analyzes the effect of the number of neurons in the hidden layer on handwriting character recognition using the backpropagation neural network method. The purpose is to obtain the configuration of the number of neurons in each layer that produces the best accuracy value. The result shows that the configuration with 900 input neurons, 475 hidden neurons and 62 output neurons has the best accuracy value, which is 100%. The average increase in the accuracy of the configuration with an input layer of 900 neurons is 5.26%, while the number of input layers with the number of neurons 100 and 400 has an average increase of 0.08%. Keywords: Handwriting Character Recognition, Number of Neuron Configuration, Backpropagation Neural Network.