PERBANDINGAN KINERJA CNN LeNet 5 DAN EXTREME LEARNING MACHINE PADA PENGENALAN CITRA TULISAN TANGAN ANGKA

Abstract

Pengenalan pola merupakan hal penting untuk mengkategorikan sebuah objek pada citra. Pengkategorian dengan jumlah data banyak relatif memberikan kesulitan pada manusia. Untuk itu diperlukan sebuah metode yang tepat agar sistem yang dibuat dapat mengelompokkan citra sesuai kelasnya. Metode Convolutional Neural Nework Lecunn Network 5 (CNN LeNet 5) dan Extreme Learning Machine (ELM) merupakan metode yang diunggulkan pada banyak penelitian beberapa tahun terakhir. Karena keunggulannya, penelitian ini melakukan percobaan pada data sederhana dimana citra yang digunakan adalah tulisan tangan angka yang hanya diolah melalui proses binerisasi dan menjadikan hasil tersebut sebagai masukan metode klasifikasi. Penelitian ini menggunakan dua jenis data, yaitu data primer yang diambil langsung dari berbagai lokasi di Palembang Indonesia. Sedangkan data sekunder diambil melalui basis data publik MNIST. Hasil percobaan menunjukkan bahwa CNN LeNet 5 lebih unggul dalam hal akurasi yaitu mencapai 98,04% untuk 10.000 data sekunder MNIST dan 78,14% untuk 700 data primer. Sedangkan metode ELM lebih unggul dalam hal komputasi waktu yang mencapai 0,00078 mili detik.

Penerapan Deep Learning untuk Pengenalan Tulisan Tangan Bahasa Aksara Lota Ende dengan Menggunakan Metode Convolutional Neural Networks

“…Bahkan antara satu orang dengan yang lain berbentuk sama pasti akan menghasilkan pola yang berbeda-beda pada setiap angka yang sama. Keunikan inilah yang membuat tulisan tangan berpola angka lebih sulit dikenali dibandingkan dengan mesin yang mencetak pola angka [5]. Model pembelajaran untuk kasus tersebut akan lebih baik dengan menerapkan konsep jaringan syaraf tiruan dengan berbagai banyak lapisan dan dengan model tersebut, maka akan lebih baik lagi dapat memanfaatkan performa komputasi yang cepat.…”

Klasifikasi Grade Telur Ayam Negeri secara non- Invasive menggunakan Convolutional Neural Network

“…LeNet-5 merupakan pengembangan dari arsitektur LeNet sebelumnya. Arsitektur LeNet-5 diperkenalkan oleh Yann LeCun yang terdiri dari tujuh lapisan (Fitriati, 2016), dimana arsitektur ini merupakan salah satu arsitektur CNN pertama yang digunakan di bank untuk membaca cek dengan real time. Meskipun terdapat algoritma lain, seperti Support Vector Machine (SVM), tetapi perhitungan dengan arsitektur LeNet-5 lebih unggul karena dapat bekerja secara eksponensial dan lebih cepat daripada algoritma lainnya (Peryanto, dkk, 2020).…”

Water quality identification based on remote sensing image in industrial waste disposal using convolutional neural networks

“…Fitriati. (2016) [15] built a numeric handwriting classification system using the CNN LeNet 5 method which is superior in terms of accuracy, reaching 98.04% for 10,000 MNIST secondary data and 78.14% for 700 primary data. While the ELM method is superior in terms of computing time which reaches 0.00078 milliseconds.…”