Identifikasi Aksara Katakana Menggunakan Convolutional Neural Network Arsitektur LeNet

Abstract

Penelitian ini mengangkat topik terkait dengan identifikasi menggunakan objek aksara  katakana. Pada penelitian ini menggunakan beberapa Optimizer, namun belum diketahui  penggunaan Optimizer dan Pooling Layer yang memiliki tingkat pengenalan yang terbaik  dalam penelitian tersebut. Penelitian ini menggunakan Optimizer Adam, SGD dan RMSprop,  kemudian Pooling Layer menggunakan Average dan Max Pooling. Data yang digunakan  sebanyak 2070 citra yang terdiri dari 920 citra latih, 690 citra validasi dan 460 citra uji  dengan total 46 kelas. Metode pengenalan menggunakan Convolutional Neural Network  arsitektur LeNet, dengan input berupa citra yang telah melalui proses preprocessing  menggunakan metode otsu dari citra aksara katakana. Skenario pengujian terdiri dari 6  skenario dengan Optimizer dan Pooling Layer yang berbeda-beda. Tingkat akurasi tertinggi  didapatkan pada skenario pertama menggunakan Adam dan Average Pooling sebesar 90%  dengan hasil pengenalan sebanyak 414 dari 460 data uji. Hasil dari penelitian ini dapat  digunakan sebagai referensi pada penelitian lanjutan dengan metode ataupun objek yang sama.