Pengenalan Karakter Huruf Pada Gambar Tulisan Tangan Menggunakan Algoritma Convolutional Neural Network dan K-Means Clustering: Recognition of Letter Characters in Handwritten Images Using Convolutional Neural Network and K-Means Clustering Algorithm

Swasono, Natan Enggal
Himamunanto, Agustinus Rudatyo
Budiati, Haeni

Malcom: Indonesian Journal of Machine Learning and Computer Science
Vol. 4 No. 4 (2024): MALCOM October 2024

Pengenalan karakter tulisan tangan adalah tantangan utama dalam berbagai aplikasi digital, disebabkan oleh variasi gaya tulisan, ukuran karakter, orientasi, dan kualitas gambar. Penelitian ini bertujuan membandingkan dua metode utama untuk pengenalan karakter tulisan tangan: Convolutional Neural Network (CNN) dan K-Means Clustering. CNN merupakan metode pembelajaran terarah yang digunakan untuk mengekstrak fitur penting dari gambar, sementara K-Means Clustering merupakan metode pembelajaran tanpa pengawasan yang mengelompokkan karakter berdasarkan kesamaan fitur. Hasil penelitian menunjukkan bahwa model CNN berhasil mencapai akurasi 90% dalam pengenalan karakter, menandakan kinerja yang sangat baik dalam mengenali pola kompleks dan variasi tulisan tangan. Sebaliknya, K-Means Clustering hanya mencapai akurasi 11%, menunjukkan bahwa metode ini kurang efektif untuk tugas pengenalan karakter tulisan tangan. Berdasarkan hasil penelitian ini, dapat disimpulkan bahwa CNN jauh lebih unggul dibandingkan dengan K-Means Clustering dalam mengatasi tantangan variasi tulisan tangan.