PENGENALAN TULISAN TANGAN PADA LEMBAR UJIAN PILIHAN GANDA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK
Pengisian lembar jawaban masih sering terjadi, hal ini terbukti terjadi pada Universitas Terbuka menurut Aprijani (2011) berdasarkan data yang diperoleh dari Pusat Pengujian UT, pada masa registrasi 2010, terdapat 34.326 kasus (2,91%) kesalahan menghitamkan bulatan pada lembar jawaban. Oleh karena i...
Saved in:
Main Author: | |
---|---|
Format: | Academic Paper |
Published: |
2019-05-03.
|
Subjects: | |
Online Access: | http://repository.upi.edu/35373/ |
Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
LEADER | 04183 am a22002893u 4500 | ||
---|---|---|---|
001 | repoupi_35373 | ||
042 | |a dc | ||
100 | 1 | 0 | |a Herlina Andriani, - |e author |
245 | 0 | 0 | |a PENGENALAN TULISAN TANGAN PADA LEMBAR UJIAN PILIHAN GANDA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK |
260 | |c 2019-05-03. | ||
500 | |a http://repository.upi.edu/35373/1/S_KOM_1500531_Title.pdf | ||
500 | |a http://repository.upi.edu/35373/2/S_KOM_1500531_Chapter1.pdf | ||
500 | |a http://repository.upi.edu/35373/3/S_KOM_1500531_Chapter2.pdf | ||
500 | |a http://repository.upi.edu/35373/4/S_KOM_1500531_Chapter3.pdf | ||
500 | |a http://repository.upi.edu/35373/5/S_KOM_1500531_Chapter4.pdf | ||
500 | |a http://repository.upi.edu/35373/6/S_KOM_1500531_Chapter5.pdf | ||
500 | |a http://repository.upi.edu/35373/7/S_KOM_1500531_Appendix.pdf | ||
520 | |a Pengisian lembar jawaban masih sering terjadi, hal ini terbukti terjadi pada Universitas Terbuka menurut Aprijani (2011) berdasarkan data yang diperoleh dari Pusat Pengujian UT, pada masa registrasi 2010, terdapat 34.326 kasus (2,91%) kesalahan menghitamkan bulatan pada lembar jawaban. Oleh karena itu penelitian ini diharapkan menjadi alternatif untuk meminimalisir kesalahan pengisian pada lembar ujian yaitu dengan membuat pengenalan tulisan tangan pada lembar ujian pilihan ganda. Jaringan Syaraf Tiruan (JST) dapat diterapkan untuk mengenali pola, terutama pada tahap pengklasifikasian data. Pada penelitian ini menggunakan salah satu jenis JST yaitu convolutional neural network (CNN), untuk mengenali tulisan tangan pada lembar ujian. Dalam hal arsitekturnya, CNN terdiri dari satu atau lebih convolutional layer dengan subsampling stage dan satu atau lebih fully connected layer seperti pada jaringan syaraf tiruan pada umumnya (Syulistyo, Purnomo, Rachmadi, & Wibowo, 2016). Dalam penelitian ini, CNN dilatih menggunakan 27000 karakter huruf besar tulisan tangan (A sampai dengan Z) dan angka (0 sampai dengan 9) yang pada tiap kelasnya berjumlah 750 karakter. Penelitian inipun bertujuan untuk mengetahui cara mengimplementasikan metode Convolutional Neural Network untuk mengenali tulisan tangan pada lembar ujian dan mengetahui hasil akurasi dari sistem yang dibangun. Dari hasil pengujian dengan menggunakan dua arsitektur berbeda menunjukkan hasil akurasi tertinggi 0.943, presisi sebesar 0.944, recall sebesar 0.943, dan f-measure sebesar 0.943. Mistakes on filling out the answer sheet is still common, this is evident in the Universitas Terbuka(UT) according to Aprijani (2011) based on data obtained from the UT Testing Center, during registration 2010, there were 34,326 cases (2.91%) errors blackening the circle on the answer sheet . Therefore this research is expected to be an alternative to minimize the error of filling on the exam sheet by making handwriting recognition on the exam sheet. Artificial Neural Networks (ANN) can be applied to recognize patterns, especially at the stage of data classification. In this study using one type of ANN, namely convolutional neural network (CNN), to recognize handwriting on the multiple choice exam sheet. In terms of its architecture, CNN consists of one or more convolutional layers with a subsampling stage and one or more fully connected layers such as in artificial neural networks in general (Syulistyo et al., 2016). In this study, CNN were trained to use 27000 uppercase handwriting characters (A to Z) and numbers (0 to 9) which in each class amounted to 750 characters. This study aims to find out how to implement the Convolutional Neural Network method to recognize handwriting on the exam sheet and find out the results of the accuracy of the system being built. From the test results using two different architectures showed the highest accuracy of 0.943, precision of 0.944, recall of 0.943, and f-measure of 0.943. | ||
546 | |a en | ||
690 | |a L Education (General) | ||
690 | |a QA75 Electronic computers. Computer science | ||
690 | |a T Technology (General) | ||
655 | 7 | |a Thesis |2 local | |
655 | 7 | |a NonPeerReviewed |2 local | |
787 | 0 | |n http://repository.upi.edu/35373/ | |
787 | 0 | |n http://repository.upi.edu | |
856 | 4 | 1 | |u http://repository.upi.edu/35373/ |