Pengenalan Tulisan Tangan Angka menggunakan CNN dengan Arsitektur DenseNet-201 pada Dataset MNIST

Abstract

Pengenalan tulisan tangan angka dengan dataset MNIST merupakan salah satu contoh penerapan dalam pengolahan citra digital. Pemilihan hyperparameter pada arsitektur CNN untuk pengenalan tulisan tangan menjadi tantangan dalam menghasilkan akurasi pengenalan yang lebih baik. Penelitian ini berfokus pada penerapan arsitektur Densenet-201 dalam mengenali tulisan tangan angka pada dataset MNIST. Tahapan penelitian ini dimulai dari preprosessing dataset, model training, model testing dan evaluasi model. Dataset MNIST memiliki 60.000 data training dan 10.000 data testing. Preprosessing dataset dilakukan dengan mengubah ukuran gambar menjadi lebih besar pada dataset MNIST. Model training menerapkan arsitektur densenet-201 dengan pemilihan hyperparmeter seperti fungsi aktivasi Softmax dan Relu, optimizer yaitu Adam, RMSprop, dan SGD dan learning rate yaitu 0.1, 0.01, dan 0.001. Pada model testing menerapkan satu dari sembilan model training terbaik yang dilakukan. Evaluasi model menggunakan confusion matriks untuk mengevaluasi tingkat akurasi dan pengenalan dataset MNIST. Hasil penelitian menunjukkan bahwa arsitektur densenet-201 dengan optimizer RMSprop dan Learning rate 0.001 mendapat akurasi pengenalan tulisan tangan angka mencapai 99,49%. Penelitian ini memberikan wawasan tentang arsitektur CNN serta pemilihan hyperparameter yang optimal untuk pengolahan citra digital. Handwritten digit recognition using the MNIST dataset is one of the applications in digital image processing. The selection of hyperparameters in the CNN architecture for handwriting recognition presents a challenge in achieving better recognition accuracy. This research focuses on the implementation of the DenseNet-201 architecture for recognizing handwritten digits in the MNIST dataset. The research stages include dataset preprocessing, model training, model testing, and model evaluation. The MNIST dataset consists of 60,000 training data and 10,000 testing data. Dataset preprocessing involves resizing the images to a larger size. The model training applies the DenseNet-201 architecture with selected hyperparameters such as activation functions (Softmax and ReLU), optimizers (Adam, RMSprop, and SGD), and learning rates (0.1, 0.01, and 0.001). The model testing uses one of the nine best-performing trained models. Model evaluation uses a confusion matrix to assess the accuracy and recognition performance on the MNIST dataset. The results show that the DenseNet-201 architecture with the RMSprop optimizer and a learning rate of 0.001 achieved a handwritten digit recognition accuracy of 99.49%. This study provides insights into CNN architectures and optimal hyperparameter selection for digital image processing.