Penerapan Convolutional Neural Network untuk Handwriting Recognition pada Aplikasi Belajar Aritmatika Dasar Berbasis Web

Authors

  • Jayaku Briliantio Bunda Mulia University
  • Nico Santosa Universitas Bunda Mulia Jakarta
  • Garvin Ardian Universitas Bunda Mulia Jakarta
  • Lukman Hakim Universitas Bunda Mulia Jakarta

DOI:

https://doi.org/10.17605/jtiust.v5i2.945

Keywords:

pengenalan tulisan tangan, convolutional neural network, jaringan saraf tiruan

Abstract

Aritmatika merupakan cabang ilmu matematika yang berhubungan dengan angka, pengukuran, dan komputasi numerik seperti penjumlahan, pengurangan, perkalian, dan pembagian. Mengajar aritmatika memiliki tantangan tersendiri bagi pengajar. Pada umumnya pengajaran aritmatika bersifat satu arah, sehingga bersifat monoton dan kemampuan dalam mengingat materi menjadi rendah. Salah satu cara untuk meningkatkan daya ingat dan penyerapan materi yang disampaikan adalah dengan menulis. Pada penelitian ini dirancang suatu aplikasi berbasis web belajar aritmatika dengan menulis. Untuk mengenali tulisan digital berupa angka dan operator aritmatika dibutuhkan handwriting recognition system. Convolutional Neural Network (CNN) dapat melakukan pengenalan tulisan tangan dengan tepat, baik yang bersifat off-line maupun online. Dataset diperlukan dalam training model CNN untuk mampu mengenal tulisan. Bobot yang diperoleh dari hasil training model CNN akan diintegrasikan dengan aplikasi. Melalui penelitian ini, dapat diketahui bahwa CNN memiliki tingkat akurasi yang baik dalam mengenali dan mengklasifikasikan tulisan tangan. Tingkat akurasi dari CNN dalam mengenal tulisan tangan yang diperoleh dari hasil pengujian adalah 95.36%.

Author Biographies

Jayaku Briliantio, Bunda Mulia University

Informatics Engineering

Nico Santosa, Universitas Bunda Mulia Jakarta

Department of Informatics Engineering, Bunda Mulia University

Garvin Ardian, Universitas Bunda Mulia Jakarta

Department of Informatics Engineering, Bunda Mulia University

Lukman Hakim, Universitas Bunda Mulia Jakarta

Department of Informatics Engineering, Bunda Mulia University

References

C. C. MacDuffee, “Arithmetic,†Encyclopedia Britannica, inc., 2019. [Online]. Available: https://www.britannica.com/science/arithmetic. [Accessed: 07-Oct-2020].

G. Swalaganata, “Pengembangan Media Pembelajaran Game Aritmatika (GAMETIKA) Menggunakan Adobe Flash CS6,†Jurnal Tadris Matematika, vol. 1, no. 1, May 2018, doi: 10.21274/jtm.2018.1.1.65-76.

W. D. Pratiwi and E. Kurniadi, “Transisi Kemampuan Berpikir Aritmatika ke Kemampuan Berpikir Aljabar pada Pembelajaran Matematika,â€Jurnal Gantang, vol. 3, no. 1, pp. 1–8, Mar. 2018, doi: 10.31629/jg.v3i1.388.

A. Wahyuni, “Analisis Kesalahan Siswa dalam Menyelesaikan Soal Aritmatika Sosial,†Jurnal Pendidikan Matematika, 2020, doi: 10.36709/jpm.v11i1.10022.

O. R. Dila and L. S. Zanthy, “Identifikasi Kesulitan Siswa dalam Menyelesaikan Soal Aritmatika Sosial,†Teorema: Teori dan Riset Matematika, vol. 5, no. 1, p. 17, Mar. 2020, doi: 10.25157/teorema.v5i1.3036..

A. M. Silva and R. Limongi, “Writing to Learn Increases Long-term Memory Consolidation: A Mental-chronometry and Computational-modeling Study of ‘Epistemic Writing,’†Journal of Writing Research., vol. 11, no. 1, pp. 211–243, Jun. 2019, doi: 10.17239/jowr-2019.11.01.07.

F. A. Rizal, B. Suyanto, and T. R. Yudantoro, “Aplikasi Game Edukasi Matematika Dengan Konsep Aritmatika Anak,†Jurnal Teknik Elektro Terapan, vol. 5, no. 1, pp. 45–50, 2016.

M. S. Islam and S. Fahmi, “Pengembangan Media Pembelajaran Interaktif Matematika dengan Menggunakan Macromedia Flash 8 Pada Materi Aritmatika Sosial untuk Siswa SMP Kelas VII Semester Genap,†Seminar Nasional Pendidikan Matematika Ahmad Dahlan, 2019.

S. S. Rosyda and T. W. Purboyo, “A Review of Various Handwriting Recognition Methods,†International Journal of Applied Engineering Research, vol. 13, no. 2, pp. 1155–1164, 2018.

R. Ptucha, F. Petroski Such, S. Pillai, F. Brockler, V. Singh, and P. Hutkowski, “Intelligent Character Recognition using Fully Convolutional Neural Networks,†Pattern Recognition, vol. 88, pp. 604–613, Apr. 2019, doi: 10.1016/j.patcog.2018.12.017.

R. Plamondon and S. N. Srihari, “Online and Off-line Handwriting Recognition: a Comprehensive Survey,†IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 22, no. 1, pp. 63–84, 2000, doi: 10.1109/34.824821

A. Priya, S. Mishra, S. Raj, S. Mandal, and S. Datta, “Online and Offline Character Recognition: A Survey,†in 2016 International Conference on Communication and Signal Processing (ICCSP), 2016, pp. 0967–0970, doi: 10.1109/ICCSP.2016.7754291.

K. Fukushima, “Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position,†Biological Cybernetics, vol. 36, no. 4, pp. 193–202, Apr. 1980, doi: 10.1007/BF00344251.

Y. LeCun et al., “Handwritten Digit Recognition with a Back-Propagation Network,†in Advances in Neural Information Processing Systems, 1989, vol. 2, pp. 396–404.

Y. Lecun, L. Bottou, Y. Bengio, and P. Haffner, “Gradient-based learning applied to document recognition,†Proceedings of the IEEE, vol. 86, no. 11, pp. 2278–2324, 1998, doi: 10.1109/5.726791.

A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet classification with deep convolutional neural networks,†Communications of the ACM, vol. 60, no. 6, pp. 84–90, May 2017, doi: 10.1145/3065386.

J. Gu et al., “Recent advances in convolutional neural networks,†Pattern Recognition, vol. 77, pp. 354–377, May 2018, doi: 10.1016/j.patcog.2017.10.013.

V. Nair and G. E. Hinton, “Rectified linear units improve Restricted Boltzmann machines,†in ICML 2010 - Proceedings, 27th International Conference on Machine Learning, 2010.

Y. A. LeCun, L. Bottou, G. B. Orr, and K. R. Müller, “Efficient backprop,†Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2012, doi: 10.1007/978-3-642-35289-8-3.

C. K. Dewa, A. L. Fadhilah, and A. Afiahayati, “Convolutional Neural Networks for Handwritten Javanese Character Recognition,†IJCCS (Indonesian Journal of Computing and Cybernetics Systems), vol. 12, no. 1, p. 83, Jan. 2018, doi: 10.22146/ijccs.31144..

G. E. Dahl, T. N. Sainath, and G. E. Hinton, “Improving deep neural networks for LVCSR using rectified linear units and dropout,†in 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, 2013, pp. 8609–8613, doi: 10.1109/ICASSP.2013.6639346.

S. Nitish, H. Geoffrey, K. Alex, S. Ilya, and S. Ruslan, “Dropout: A Simple Way to Prevent Neural Networks from Overfitting,†Journal of Machine Learning Research, vol. 15, no. 1, pp. 1929–1958, 2014.

Y. LeCun, C. Cortes, and C. J. C. Burges, “MNIST handwritten digit database,†AT&T Labs [Online]. Available http//yann. lecun. com/exdb/mnist, vol. 2, 2010.

Published

2020-12-04

Issue

Section

Artikel