Presented by ジェン アーミー

JOURNAL REVIEW

HANDWRITTEN
DIGITS RECOGNITION
WITH ARTIFICIAL
NEURAL NETWORK
 THE TEAM

Kevin Pratama Aldo Kadafi Jendraja Husin Kotan

2024250070 1923250038 2125250018

M Reza Ardana
1923250075

Group : JEN
TABLE OF CONTENTS
1 Tujuan
2 Datasets
3 ANN Types
4 Stage of ANN
5 Result and Conclusion
 TUJUAN
Tujuan dari penelitian ini untuk menguji Artificial Neural

PENELITIAN
Networks dalam mengenai digit tulis tangan, dengan
berfokus pada datasets MNIFT.

True : Menentukan tingkat performa kerja dan akurasi dari ANN

dalam menentukan pola pengenalan digit tulis tangan
DATASETS
Jadi, datasets yang digunakan untuk melatih
ANN adalah MNIST. MNIST merupakan
datasets cukup populer dan sangat luas
digunakan secara luas dalam pengembangan
dan pelatihan model untuk mengenai digit
tulisan tangan dari angka 0 sampai 9.
ANN TYPES
Tipe Artificial Neural Network ini menggunakan Feedforward Neural
Network atau sering disebut Multi-Layer-Preceptron (MLP). Merupakan
jenis paling dasar dari ANN, dimana informasi mengalir melalui lapisan-
lapisan tanpa adanya siklus atau feedback
 ANN
ARCHITECTURE
STAGE
ARTIFICIAL
NEURAL
NETWORK
 STAGE PREPARING
1 Data
Collections
Pengumpulan data dilakukan
dalam bentuk gambar dari
sumber MNIST, dengan
jumlah total 28000 gambar
untuk training data dan
14000 gambar untuk tahap
pengujian.
2 Prapemrosesan
Prapemrosesan ini
melibatkan tugas-tugas
seperti resizing, normalisasi,
dan pengurangan gambar-
gambar tersebut agar dapat
dimasukan kedalam Artificial
Neural Network
3 Ekstrasi Fitur
Ekstrasi fitur dari gambar-
gambar tersebut, umumnya
dengan menggunakan nilai
piksel sebagai fitur untuk
jaringan saraf.
 STAGE MODEL ANN
4 Training Model
Pada tahap ini memasuki latih model ANN
dengan tipe FNN/MLP. Jadi sebelum
memprediksi dan memprediksi Handwritten
Digits harus dilatih terlebih dahulu. ada
proses yang dilakukan agar menghindari
terjadinya overfitting dan underfitting
menyebabkan akurasi turun.
5 Model
Evulation
Setelah tahap perlatihan ANN,
dilakukan proses evaluasi model
untuk menilai sejauh mana kinerja
dengan memperhatikan akurasi model.
 RESULT
Hasil penelitian ini menunjukan bahwa ANN tipe FNN/MLP mencapai akurasi
sebesar 99.60% dengan presentase kesalahan dan misclasifications sebesar
0.40% terkait digit pada datasets. Proses Ekstrasi Fitur terbukti mempermudah
perlatihan data untuk pengenalan digit tulisan tangan, yang menghasilkan
tingkat akurasi tinggi. Kemudian Metode ekstrasi feature Image Pixels lebih
unggul dari R-HOG, CCH dan CNN. Model AI ANN lebih unggul dari CNN
merupakan salah satu model terkuat dan cukup meta dikalangan AI.
 COMPARATION
FEATURE EXTRACTION METHOD CLASSIFIER ACCURACY (%)

R-HOG SVM 95.64

HOG SVM 81.00

HOG SVM 83.60

HOG ANN 97.33

CCH SVM 98.48

CNN CNN + SVM 94.40

Image Pixels ANN 99.60

 CONCLUSIONS
Kesimpulan dari penelitian ini menunjukkan bahwa
Classifier ANN dianggap lebih unggul dibandingkan dengan
CNN. Metode Ekstrasi Fitur menggunakan Image Pixel
terlihat lebih efektif daripada metode ekstrasi lainnya.
Meskipun terdapat argumen dan rumor yang menyatakan
bahwa CNN lebih kuat daripada ANN dan SVM ketika
menerapkan metode Image Pixel (hipotesis), namun
penelitian ini memberikan dukungan kepada keunggulan
Metode Image Pixel pada Classifier ANN
 Presented by ジェン アーミー

THANK
YOU!