Implementasi Jaringan Saraf Tiruan Backpropagation untuk Pengenalan Karakter pada Dokumen Tercetak
| Main Author: | Puspita Chandra, Dian |
|---|---|
| Format: | Thesis NonPeerReviewed application/pdf |
| Bahasa: | eng |
| Terbitan: |
, 2019
|
| Subjects: | |
| Online Access: |
http://kc.umn.ac.id/10191/1/HALAMAN_AWAL.pdf http://kc.umn.ac.id/10191/2/DAFTAR_PUSTAKA.pdf http://kc.umn.ac.id/10191/3/BAB_I.pdf http://kc.umn.ac.id/10191/4/BAB_II.pdf http://kc.umn.ac.id/10191/5/BAB_III.pdf http://kc.umn.ac.id/10191/6/BAB_IV.pdf http://kc.umn.ac.id/10191/7/BAB_V.pdf http://kc.umn.ac.id/10191/8/LAMPIRAN.pdf http://kc.umn.ac.id/10191/ |
Daftar Isi:
- Dokumen digital yang dihasilkan dari alat pemindai tidak dapat diedit. Sehingga, untuk dapat mengedit dokumen digital tersebut dibutuhkan teknologi Optical Character Recognition (OCR). Penelitian ini dilakukan dengan tujuan untuk mengimplementasikan jaringan saraf tiruan backpropagation pada dokumen tercetak dan untuk mengetahui bagaimana tingkat akurasi dari implementasi jaringan saraf tiruan backpropagation pada dokumen tercetak. Penelitian ini menggunakan jaringan lapisan banyak (multilayer network) dengan tiga lapisan. Lapisan input terdiri dari 225 node dengan masukan berupa citra digital berukuran 15 ? 15 piksel, lapisan tersembunyi terdiri dari 110 node, dan lapisan output terdiri dari 54 node yang merepresentasikan karakter A-Z, a-z, serta tanda baca titik (.) dan koma (,). Learning rate yang digunakan dalam penelitian ini adalah 0,29. Rata-rata tingkat akurasi yang didapat dari implementasi jaringan saraf tiruan backpropagation dalam penelitian ini adalah 94 % untuk jenis font Arial Unicode Ms, 96,6 % untuk jenis font Tahoma, dan 94 % untuk jenis font Times New Roman.