Implementation of Artificial Neural Networks with Reverse Propagation Algorithms for Recognizing Number Patterns
| Main Author: | Tahir, Abdul |
|---|---|
| Format: | Article info application/pdf eJournal |
| Bahasa: | ind |
| Terbitan: |
STMIK KHARISMA Makassar
, 2015
|
| Subjects: | |
| Online Access: |
https://jurnal.kharisma.ac.id/jtriste/article/view/82 https://jurnal.kharisma.ac.id/jtriste/article/view/82/67 |
Daftar Isi:
- The number recognition identical with some research related to pattern recognition, especially the use of classification techniques Artificial Neural Network (ANN). This research aims to design application of number recognition using Artificial Neural Network (ANN) with back propagation algorithm. To get the best pattern recognition, be done some of stages. First, collected of data by taking the characteristics of numeric characters. Second, done segmentation on each character with a size of 10 x 8 pixels, each image segmentation then converted into a black and white image format and represented in binary form 0-1, the binary value of each character formed into a vector as an input to the process of the ANN . Third, prepared ANN architecture for training and testing process. The amount of data used in this research were 1400 data, the 75% is used as training data and 30% is used as a data testing. The results obtained from the introduction of ANN models with up to 80 layers of inputs, 30 hidden layers and 11 output layers, the model was able to produce validation accuracy of 99.49% and 97.62% testing.
- Pengenalan angka identik dengan beberapa penelitian yang berkaitan dengan pengenalan pola, terutama yang menggunakan teknik klasifikasi Jaringan Syaraf Tiruan (JST). Penelitian ini bertujuan untuk merancang aplikasi pengenalan angka dengan menerapkan algoritma JST Propagasi Balik. Untuk mendapatkan pola pengenalan yang terbaik, dilakukan sejumlah tahap. Pertama, pengumpulan data dengan mengambil ciri dari karakter angka. Kedua, dilakukan segmentasi pada masing-masing karakter dengan ukuran 10 x 8 pixels, setiap citra hasil segmentasi selanjutnya diubah kedalam format citra hitam putih dan direpresentasikan dalam bentuk biner 0-1, nilai biner dari setiap karakter dibentuk menjadi sebuah vektor sebagai input pada proses JST. Ketiga, menyusun arsitektur JST untuk proses pelatihan dan pengujian. Jumlah data yang digunakan dalam penelitian ini sebanyak 1400 data, 70% digunakan sebagai data training dan 30% digunakan sebagai data testing. Dari hasil ini diperolah model pengenalan JST terbaik dengan menggunakan 80 lapisan masukan, 30 lapisan tersembunyi dan 10 lapisan keluaran, model ini mampu menghasilkan akurasi validasi 99,49% dan pengujian 97,62%.