Dampak Reduksi Sampel Menggunakan Principal Component Analysis (PCA) Pada Pelatihan Jaringan Saraf Tiruan Terawasi (Studi Kasus : Pengenalan Angka Tulisan Tangan)

Makalah ini membahas tentang bagaimana sebuah komputer mengenali sebuah pola citra digital berupa pengenalan angka tulisan tangan yang menggunakan metode Principal Component Analysis (PCA) pada pelatihan jaringan saraf tiruan terawasi model Backpropagation. Dalam penelitian ini terdapat dua pelatihan untuk mengetahui dampak reduksi sampel menggunakan PCA atau tanpa menggunakan PCA. Pada penelitian ini terdapat 1060 sampel citra angka tulisan tangan yang berformat *.jpg, sebanyak 660 sampel citra sebagai citra latih (training) dan sebanyak 400 sampel citra sebagai citra uji (testing). Sampel tesebut diambil dari angka tulisan tangan 106 responden yang berbeda. Hasil analisis menunjukan bahwa sistem memiliki tingkat pengenalan bergantung pada dimensi dan jumlah zona. Pada pelatihan pertama, jika dimensi yang digunakan adalah 40 piksel x 30 piksel maka tingkat pengenalan sebesar 86.75% dengan waktu rata-rata 0.4946 detik. Jika dimensi yang digunakan adalah 50 piksel x 40 piksel maka pengenalan sebesar 82.75% dengan waktu rata-rata untuk memproses setiap masukan adalah selama 1.063 detik. Untuk pelatihan kedua, dengan jumlah zona 5 : 5 tingkat pengenalan adalah sebesar 86% dengan waktu rata-rata adalah 0.6582 detik. Jika jumlah zona yang digunakan adalah 5 : 6 maka tingkat pengenalan sebesar 86.25% dengan waktu rata-rata selama 0.7068 detik. Kesimpulannya metode Principal Component Analysis (PCA) dapat dijadikan sebagai alternatif untuk tingkat kecepatan dan keakuratan dari pelatihan jaringan saraf tiruan