Pengenalan Angka Tulisan Tangan (MNIST) Menggunakan SVM vs Convolutional Neural Network
Keywords:
MNIST, pengenalan angka tulisan tangan, Suport Vector Machine, Convolutional Neural Network, klasifikasiAbstract
Pengenalan angka tulisan tangan merupakan tantangan dalam pengolahan citra karena variasi gaya tulis antar individu. Penelitian ini bertujuan membandingkan kinerja Support Vector Machine (SVM) dan Convolutional Neural Network (CNN) pada dataset MNIST. SVM merupakan metode machine learning tradisional yang efektif untuk pemisahan kelas pada data berdimensi tinggi, sementara CNN mampu mengekstraksi fitur secara otomatis melalui arsitektur berlapis untuk pola visual yang kompleks. Eksperimen dilakukan melalui tahapan preprocessing, pelatihan model, dan evaluasi akurasi. Hasil menunjukkan bahwa CNN mencapai akurasi yang lebih tinggi dibandingkan SVM dalam mengenali angka tulisan tangan, menunjukkan efektivitas pendekatan deep learning untuk tugas ini.
References
Cervantes, J., Garcia-Lamont, F., Rodríguez-Mazahua, L., & Lopez, A. (2020). A comprehensive survey on support vector machine classification: Applications, challenges and trends. Neurocomputing, 408, 189–215. https://doi.org/10.1016/j.neucom.2019.10.118
Effendi, E. A., Lumbanraja, F. R., Junaidi, A., & Syarif, A. (2023). Implementasi Metode Deep Learning Untuk Klasifikasi Gambar Tulisan Tangan. Jurnal Pepadun, 4(2), 100–106. https://doi.org/10.23960/pepadun.v4i2.166
Firmansyah, A., Itsnan, A. F., Apip, A., Mulliya, R. T., & Rosyani, P. (2023). Sistem Absensi Mahasiswa Menggunakan Face Recognition Dengan Algoritma CNN. Jurnal AI Dan SPK : Jurnal Artificial Inteligent Dan Sistem Penunjang Keputusan, 1(4), 250–258.
Salsabila Citra Putri Winanto, C., Intan Nuraini, A., & Ibnu Adam, R. (2025). Pengenalan Angka Pada Citra Tulisan Tangan Menggunakan Algoritma Convolutional Neural Network (Cnn). JATI (Jurnal Mahasiswa Teknik Informatika), 9(4), 6169–6174. https://doi.org/10.36040/jati.v9i4.13906
Syahriful Amin Matondang, R. (2025). Pengenalan Tulisan Tangan Angka Pada Dataset MNIST Menggunakan Arsitektur SqueezeNet. 5(2), 134–148. https://doi.org/10.34007/incoding.v5i2.828
Yedidiya, N., Mendrofa, S., Mahfuzie, A., Faisal, M., Haidar, A., & Rosyani, P. (2023). Perbandingan Metode YOLO dan Fast R-CNN Dalam Sistem Deteksi Pengenalan Kendaraan. JRIIN : Jurnal Riset Informatika Dan Inovasi, 1(2), 431–436.
